本篇文献发表在Nature Communications杂志。所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

引言

严重急性脑损伤后昏迷患者的预后预测是一个巨大挑战。在重症监护室(ICU)中，准确的预测对于决定继续或撤除生命维持治疗(WLST)至关重要。传统方法依赖于检测明显的行为反应，预测准确性有限。通过整合一系列临床和影像数据，已经开发出更全面的预后模型，如用于创伤性脑损伤的国际预后与临床试验分析使命模型和严重头部损伤后皮质类固醇随机化研究模型，主要预测死亡和严重残疾等不良结局。然而，对于缺乏明确不良预后征象的患者，结局预测仍然具有挑战性。

无创床旁EEG正越来越多地用于预后模型。基于听觉刺激的EEG评估因其不受患者睁眼状态影响而受到关注。在不同类型的听觉刺激中，熟悉的名字，尤其是受试者自己的名字(SON)，因其高度个人相关性而特别显著。先前研究表明，自己的名字比其他听觉刺激能引起更强的大脑反应，尤其是在由熟悉的声音说出时，并且可以在睡眠、麻醉或意识障碍(DoC)期间记录到。

对熟悉名字的EEG反应通常使用事件相关电位（ERP）方法进行分析，该方法提取与每个名字开始时间对齐的EEG反应时间历程。为了分离名字特异性反应，大多数研究将名字作为oddball刺激嵌入其他声音中，并分析oddball反应，如失匹配负波（MMN）和P3。几项研究表明，在一些意识障碍患者中可以检测到对受试者自己名字的个体水平辨别性反应，并且与随后的恢复相关。最近，引入了频率标记方法，该方法以固定速率（例如频率f）快速呈现目标刺激，使得刺激相关的神经反应也以相同速率重复。在神经反应谱中，这种反应的强度反映在目标频率及其谐波频率（例如2f、3f）的功率上。使用中性韵律和无自我相关性的合成语音，基于语音的频率标记研究已经显示出预测意识障碍患者预后的潜力。虽然对听觉刺激的EEG反应已在意识障碍中得到研究，但其在急性重症监护室昏迷中的预后价值仍不确定。此研究旨在检验将显著刺激（即熟悉的名字）与频率标记相结合是否能改善预后预测。

此研究设计了一个通过呈现熟悉名字的频率标记范式。该范式结合了熟悉名字的高知觉显著性（以诱发更强的神经反应）和频率标记方法的高信号质量（以可靠地测量这些神经反应）。此研究假设，对熟悉名字有更强EEG反应的昏迷重症监护室患者将有更好的结局，结局采用格拉斯哥结局量表（GOSE）扩展版进行评估。

结果

人群特征

此研究在五个重症监护室筛选了461名急性脑损伤患者，最终入组89名患者。在排除了EEG质量差的患者（n = 5）、EEG采集后撤回知情同意的患者（n = 2）以及无可用结局数据的患者（n = 1）后，81名患者被纳入最终分析（数据集1中63名，数据集2中18名；图1a，表1）。来自第五个重症监护室的18名患者（数据集2）仅用于预测模型的外部验证。在所有患者中，中位年龄为58岁（四分位距[IQR]: 53-69），71.6%为男性。总体而言，33.3%患有创伤性脑损伤，66.7%患有心脏骤停。重症监护室入院时的中位格拉斯哥昏迷量表评分为3（IQR: 3-4）。脑损伤至EEG评估的中位间隔时间为6天（IQR: 3-10；表1）。每个数据集的详细特征见表S1，两个数据集之间的临床特征无显著差异。此外，纳入了31名年龄匹配的健康对照（中位年龄59岁；IQR: 53-69），以首先建立EEG范式。

对名字和声学对照的神经反应

名字和声学对照以恒定速率呈现（每个刺激0.75秒，对应1.33 Hz），使得对名字或声学对照的神经追踪可以通过EEG在1.33 Hz处的功率反映。在健康对照和昏迷患者中，与相邻频率区间相比，在1.33 Hz处均观察到对名字和声学对照的显著EEG反应（P < 0.001，图2a-b左）。患者对名字的EEG反应显著大于对声学对照的反应（6.11 dB [IQR: 0.88–11.59] vs. 2.52 dB [IQR: –1.06–6.47]，P = 0.0006；图2b右），而健康对照对名字（13.96 dB [IQR: 11.34–16.58]）和声学对照（12.04 dB [IQR: 7.32–15.89]，P = 0.052；图2a右）的反应相当。在两组中，在2.67 Hz和4 Hz（即名字频率的两倍和三倍，称为谐波）处也观察到显著的EEG反应（P < 0.001，图2a-b左）。此外，当计算名字与声学对照的EEG反应差异（指示名字特异性加工）时，在1.33 Hz及两个谐波处均有显著的EEG反应（所有P值 < 0.01，图2c-d）。

在个体水平上，使用基于标记频率的bootstrap检测测试，数据集1中34/63名患者对名字显示出显著反应（6个月结局：恢复意识者 n = 23），23名对声学对照显示出显著反应（6个月结局：恢复意识者 n = 15）。此外，数据集1中有51名患者在同一天完成了频率标记范式和自己的名字（SON）oddball ERP范式（补充信息，图S1）。在15/51名患者中检测到自己的名字诱发的P3；其中10名在6个月时恢复了意识，5名没有。相对于频率标记EEG反应，自己的名字-P3在预测结局方面显示出较低的灵敏度（41.7% vs 74.2%）但较高的特异度（81.5% vs 65.6%）（表S2）。

神经反应与结局之间的相关性

EEG名字反应在1.33 Hz（即名字频率）处显示与伤后1、3或6个月评估的格拉斯哥结局量表扩展版评分（范围1-8，分数越高表示结局越好）存在统计学显著的中度相关性（1个月：Rho = 0.481，P = 0.0002；3个月：Rho = 0.434，P = 0.0006；6个月：Rho = 0.423，P = 0.0006，FDR校正，图3a）。相比之下，对声学对照的1.33 Hz EEG反应与格拉斯哥结局量表扩展版评分无可靠相关（1个月：Rho = 0.258，P = 0.044；3个月：Rho = 0.254，P = 0.044；6个月：Rho = 0.295，P = 0.044，FDR校正，图3b）。名字与声学对照的EEG反应差异也与格拉斯哥结局量表扩展版评分显著相关，相关强度与名字反应相当（1个月：Rho = 0.481，P = 0.0002；3个月：Rho = 0.442，P = 0.0003；6个月：Rho = 0.453，P = 0.0003，FDR校正，图3c）。在创伤性脑损伤和心脏骤停亚组中观察到类似结果（图S2-3）。

使用EEG名字反应预测患者结局

使用格拉斯哥结局量表扩展版评估结局，主要二分终点定义为意识恢复（良好：GOSE ≥ 3 vs 不良：GOSE 1-2）。此研究采用线性分类器预测这一结局。在训练集上，当分类器仅能访问基本临床变量（年龄、病因和格拉斯哥昏迷量表评分）时，其在1个月的曲线下面积为0.70（95% CI, 0.69-0.71），3个月为0.68（95% CI, 0.66-0.69），6个月为0.67（95% CI, 0.65-0.68）（图4a）。当分类器仅能访问对名字的EEG反应时，它在所有时间点均达到更高的曲线下面积：1个月为0.86（95% CI, 0.85-0.88），3个月为0.75（95% CI, 0.73-0.76），6个月为0.73（95% CI, 0.71-0.75）（图4a）。当分类器结合基本临床变量和EEG反应时，表现更优：1、3和6个月的曲线下面积分别为0.94（95% CI, 0.92-0.96）、0.80（95% CI, 0.79-0.85）和0.81（95% CI, 0.74-0.83）。这些发现在测试集（来自数据集1）上得到证实，临床-EEG模型始终优于其他两个模型，且曲线下面积保持在0.85以上：1个月为0.86（95% CI, 0.81-0.88），3个月为0.88（95% CI, 0.86-0.89），6个月为0.86（95% CI, 0.83-0.89）（图4a-b，表2）。临床-EEG模型的性能在独立验证集（数据集2）中得到进一步确认，伤后1、3和6个月的曲线下面积分别为0.91（95% CI, 0.76-0.95）、0.90（95% CI, 0.77-0.93）和0.85（95% CI, 0.73-0.97）（表2）。排除停止生命维持治疗的患者并未实质性改变主要结果（表S3）。

作为与传统功能恢复阈值一致的次要终点，此研究还评估了功能结局（良好：GOSE ≥4 vs 不良：GOSE 1-3）。结局预测仍然稳健，表现为更高的灵敏度和更低的特异度（训练集：灵敏度1.00，特异度0.64；测试集：灵敏度1.00，特异度0.59；验证集：灵敏度0.75，特异度0.64；表2，图S4）。在生存预测方面也观察到类似的性能（图S5）。

使用多模态预后模型在心脏骤停和创伤性脑损伤亚组中的预后

前面部分报告的预后模型仅包含基本临床变量（年龄、病因和格拉斯哥昏迷量表评分）。在以下部分中，此研究在创伤性脑损伤和心脏骤停两个亚组中考虑了更复杂的多模态预后模型。对于创伤性脑损伤组，此研究还考虑了IMPACT核心模型和IMPACT核心+CT模型。临床-EEG模型优于IMPACT核心模型，并表现出与IMPACT核心+CT模型相当的性能（表S6）。此外，将EEG名字反应作为特征纳入进一步提升了IMPACT核心+CT模型的性能，对6个月结局预测的曲线下面积达到0.92。对于心脏骤停亚组，此研究还考虑了自主循环恢复时间（ROSC，图S6）、EEG背景模式（图S7）和神经元特异性烯醇化酶（NSE，一种神经元损伤的血液生物标志物，数值越高表示损伤越严重，图S8）作为特征。包含所有这些预测因子（即年龄、GCS、ROSC时间、EEG背景、NSE）的多变量模型在1个月时达到与临床-EEG模型（即年龄、GCS、对名字的EEG反应）相似的曲线下面积，但在伤后3和6个月时曲线下面积较低（表S7）。将EEG名字反应作为额外特征纳入进一步提升了多变量模型的性能，在伤后1、3和6个月的曲线下面积分别达到0.85、0.86和0.86。

讨论

为了可靠地测量昏迷重症监护室患者的残留认知能力，此研究呈现了高度显著和自我相关的刺激，即熟悉的名字，并使用频率标记EEG实验设计量化了神经反应。此研究的结果揭示了部分无反应患者中潜在保留的隐蔽认知，表现为对熟悉名字的可靠EEG反应。名字反应与使用格拉斯哥结局量表扩展版评分评估的患者结局显著相关。基于EEG名字反应和基本临床特征，一个线性模型在伤后1、3和6个月的结局预测中实现了有前景的预测性能。由于该模型仅需要床旁EEG测量且分析流程完全自动化，它为资源有限的临床环境提供了解决方案。当前实验耗时约40分钟，但在未来的应用中可省略声学对照条件，使测试在20分钟内完成。

先前研究表明，意识障碍患者对显著刺激表现出保留的皮层反应，支持了无反应患者中存在隐蔽皮层加工的概念。与先前研究中使用的合成语音和复杂听觉指令相比，由熟悉声音说出的熟悉名字具有更高的显著性和个人相关性。在此研究中，熟悉名字诱发的反应显著强于声学对照。重要的是，向后语音保留了低级声学特性，同时去除了可理解性和个人显著性；因此，对熟悉名字增强的追踪更可能反映与名字识别相关的高阶加工。然而，在先前对健康参与者的研究中，对可理解语音和声学匹配的不可理解语音观察到了相当的EEG/脑磁图反应。因此，像名字这样更显著的刺激可能更有效地驱动无反应患者的神经反应。未来的研究可以探究可理解性、熟悉度和自我相关性如何分别对预后做出贡献。

此研究使用频率标记来提高EEG测量的可靠性。该方法以恒定频率重复呈现名字，使得对名字的神经反应也以目标频率重复。频率标记方法不是估计名字相关事件相关电位的整个时间历程，而是选择性地分析目标频率的反应，这显著减少了需要估计的参数数量并提高了信噪比。频率标记方法可以捕获对每个感兴趣刺激的经典事件相关电位，尽管刺激的周期性呈现产生了强烈的预期，这可能额外参与缓慢的神经振荡。

先前研究已经证明了使用静息态EEG特征和基于刺激的范式预测急性无意识患者预后的价值。例如，Fischer等人表明，听觉oddball范式中对受试者自己名字的新异P3可以预测三个月内的苏醒。概念上，oddball范式探测在标准刺激流中检测罕见、显著偏差刺激的能力，可能需要残留的高阶认知能力。相比之下，频率标记方法通过在频域中随时间重复呈现高显著性信息来探测大脑是否能产生可靠的、持续的反应；这种设计可能不易受偶然漏检的影响，并能耐受波动的觉醒水平。值得注意的是，即使在恶性EEG背景的患者中也观察到了EEG名字反应。因此，此研究将这些反应解释为反映预后“灰色地带”中的残留刺激追踪，而非完整的高阶认知。与此解释一致，此研究的头对头比较显示了一个灵敏度-特异度权衡：频率标记更敏感，而自己的名字-P3更特异。这些结果支持一个互补的工作流程，即频率标记作为初始床旁筛查，随后在可行时使用自己的名字oddball事件相关电位以提高特异度。

值得注意的是，虽然EEG是心脏骤停的标准预后工具，但传统上因其病变异质性，其在创伤性脑损伤中的效用被认为有限。然而，此研究的分层分析显示，创伤性脑损伤亚组表现出EEG的增量预后价值。这可能是因为创伤性脑损伤的结局通常由弥漫性轴索损伤或网络断开驱动，而这很难从结构影像或临床评估中推断出来。一个能捕获保留刺激追踪的功能性EEG标记物因此可能通过反映结构测量不易体现的残留皮层加工，在创伤性脑损伤中增加价值。

此研究也存在一些局限性。第一，尽管患者从五个中心招募并包含了一个独立验证数据集，但达到良好功能恢复的患者数量相对较少；因此，这些发现需要在更大规模队列中验证，包括在心脏骤停和创伤性脑损伤中进行充分效力的亚组分析。第二，由于获取知情同意和与临床医生协调的挑战，脑损伤后EEG数据收集的时间存在差异，使得评估神经反应的最佳时间窗口尚不确定。第三，虽然此研究排除了处于深度镇静状态的患者，但52%的参与者在EEG记录期间处于中度镇静状态，镇静对危重患者的神经状态可能有长达72-96小时的残留影响。然而，镇静和非镇静患者之间的EEG反应和模型性能未显示出显著差异。第四，由于可能存在听力损失，个体患者中EEG名字反应的缺失应谨慎解读。未来的研究应调查听力损失对昏迷患者EEG名字反应的影响，并排除重度或完全听力损失的患者。在此研究中，使用额外一组健康参与者测试了听力损失对EEG名字反应的影响。发现纯音听阈与EEG名字反应之间存在弱但正的相关性，这与先前发现听力受损者EEG语音追踪活动略有增强一致。第五，此研究的行为评估依赖于格拉斯哥昏迷量表和格拉斯哥结局量表扩展版而非昏迷恢复量表-修订版，这可能限制此研究区分意识障碍亚型和细化预后类别的能力。未来的研究应纳入快速而灵敏的量表（如FOUR评分或SECONDS），并在可行时纳入昏迷恢复量表-修订版，以提高诊断和预后精度。最后，EEG名字反应与结局之间的相关性并非完美，因为一些反应强烈的患者仍有不良结局，而一些反应微弱的患者却恢复了。

要将这种频率标记范式转化为常规临床实践，未来的研究需要几个步骤。第一，EEG名字反应在加入已有模型时提供了增量预后价值，支持其作为现有工具的附加生物标志物而非替代品。这可以作为一个与现有标志物和互补听觉oddball反应整合的分析模块来实施。第二，实际下一步是将这一范式转化为标准化的床旁重症监护室工作流程，并提供个体水平的恢复预测概率。第三，未来的工作应通过引入替代控制条件来进一步测试刺激特异性。最后，需要更大规模的前瞻性多中心研究来确认跨病因的普适性，定义损伤后的最佳记录窗口，并量化镇静和外周听觉障碍的影响。考虑到恢复的多因素性质，这种EEG标志物在与临床变量、影像学和其他预后措施整合时可能会增加最大价值。

总之，此研究证明，使用床旁EEG测量并通过频率标记方法自动分析的对熟悉名字的EEG反应，与昏迷重症监护室患者的结局相关。该指标并非旨在取代已建立的多模态预后工具。然而，作为一种方便的床旁测量方法，该方法可用于昏迷重症监护室患者的结局预测，尤其是在无法获得或不便于进行高级评估的资源有限环境中。

方法

参与者

这项前瞻性多中心研究最初在四个重症监护室进行。随后纳入第五个重症监护室作为外部验证队列。所有因急性脑损伤入院的患者在入住重症监护室后72小时内定期接受筛查。纳入标准为：（1）入院时和筛查时处于昏迷状态；（2）诊断为创伤性脑损伤或心脏骤停；（3）年龄≥18岁。排除标准为：（1）损伤前已存在的意识障碍；（2）损伤前耳聋；（3）缺乏患者代理人的伦理同意；（4）评估前24小时内接受深度镇静。患者必须满足所有纳入标准且无任何排除标准才能入组。由于在某些病例中停止镇静被认为不安全，52%的入组患者在评估前处于镇静状态。

此外，招募了31名年龄匹配的健康对照参与者，并接受了与患者相同的EEG方案。此研究获得了牵头中心及各参与中心研究伦理委员会的批准。分别从患者代理人和健康志愿者处获得了书面知情同意。患者代理人也同意参与结局访谈。

临床数据采集

格拉斯哥昏迷量表评分由训练有素的重症监护室医生在入院时（初步稳定后）、筛查时和EEG评估时进行评估。对于插管患者，使用Rutledge模型基于眼部和运动分量表计算言语评分。功能结局在伤后1、3和6个月通过结构化电话访谈（若患者已出院）使用格拉斯哥结局量表扩展版（GOSE，范围1至8，分数越高表示结局越好）进行评估。进行结局评估的访谈者对包括常规临床评估在内的既往检查结果不知情，也不知道EEG结果。结局以两种互补方式进行二分。首先，对于意识恢复，结局分为不良（GOSE 1–2：死亡或植物状态；无意识恢复）与良好（GOSE 3–8：从严重残疾到良好恢复；有意识恢复）。其次，对于功能结局，结局分为不良（GOSE 1–3）与良好（GOSE 4–8），其中GOSE ≥4代表良好的功能恢复。

EEG数据采集与处理

听觉名字范式

EEG实验在听觉刺激呈现期间进行。刺激包括五个熟悉的名字，即患者自己的名字和四位直系亲属的名字，这些名字由患者的直系亲属（54%由子女录制，27%由配偶录制）以其本地方言录制，以代表典型的日常发音。所有名字均被调整为相同的强度和时长（0.75秒），遵循Ding等人描述的程序。在每个试次中，30个名字（五个不同的名字，每个重复六次）以随机顺序呈现，名字之间无间隔。因此，一个试次的总时长为22.5秒（30 × 0.75秒），名字以1.33 Hz的速率呈现，即1/0.75秒。不同试次之间由均匀分布在1.5至2秒的静默间隔分隔。听觉刺激通过入耳式耳机（Bose® SoundSport®入耳式耳机）双耳递送，固定声压级为90 dB SPL（通过一个与名字具有相同均方根的1 kHz纯音进行测量）。

整个实验分为四个block，每个block包含30个试次。两个block呈现名字，另外两个block呈现声学对照，声学对照是相同名字序列的时间反向播放。声学对照不可理解，但在声学节奏和频谱上与名字序列匹配——对信号进行时间反转不改变功率谱。呈现名字和声学对照刺激的block交替进行，顺序在参与者间平衡。每个block后提供休息时间，以便检查患者状态并让医务人员有时间执行必要的临床职责。听觉刺激使用MATLAB Psychtoolbox递送。

EEG记录与处理

使用64通道有源BrainCap在患者床旁采集EEG数据，按照标准10-20系统放置。所有通道的阻抗维持在10 kΩ以下。FCz和AFz分别作为在线参考和接地电极。EEG记录以1000 Hz的采样率数字化。

数据预处理和分析使用EEGLAB 2020.0和MATLAB（版本2020a，MathWorks）进行。原始连续EEG信号降采样至100 Hz，重参考至乳突平均，并使用巴特沃斯滤波器（零相移，滤波器阶数：6）进行0.5至40 Hz的带通滤波。所有数据经过目视检查，使用EEGLAB中的球面样条方法插补被过多噪声污染的坏通道（平均插补通道数：3 ± 2，各参与者均值的标准差）。五名坏通道数超过10个的患者被排除在进一步分析之外。随后进行独立成分分析，使用EEGLAB插件ICLabel识别并丢弃伪迹成分。

数据被分割成对应于单个试次的22.5秒片段。为计算差异EEG波形，将每个对声学对照反应的EEG片段在时域中减去每个对名字反应的EEG片段。减法后，对每个条件（即名字、对照或它们的差异）分别对片段进行平均，并使用离散傅里叶变换转换到频域，得到0.044 Hz/区间的频率分辨率。由于名字以0.75秒的固定速率呈现，此研究因此关注相应频率即1.33 Hz（计算为1/0.75秒）及其谐波处的EEG功率。1.33 Hz（即名字频率）、2.67 Hz（即名字频率的两倍）和4 Hz（即名字频率的三倍）处的反应功率通过除以目标频率两侧各两个频率区间上的平均功率进行归一化。归一化功率以dB表示，0 dB代表相对于噪声基底相等的反应。功率在对听觉反应敏感的额中央电极簇（Fz、Cz、F1、F2、FC1、FC2）上进行平均。

使用单侧精确检验来识别个体患者的显著EEG反应。将目标频率处的功率与0.5至4 Hz之间所有其他频率区间的功率进行比较（即排除目标频率的谐波2.67 Hz和4 Hz）。零假设假设目标频率处的功率并不显著高于邻近频率的功率。目标频率反应的统计显著性（精确P值）确定为其功率强于目标频率的频率区间的百分比。

结局预测模型

使用线性判别分析来预测患者结局。临床模型包括三个临床特征：年龄、病因和入院时格拉斯哥昏迷量表评分。EEG模型纳入了对名字的1.33 Hz、2.67 Hz和4 Hz EEG反应以及名字与声学对照在这些相同三个频率的差异反应。联合临床-EEG模型整合了EEG反应与临床特征。结局变量根据格拉斯哥结局量表扩展版评分定义为良好或不良。每个模型分别针对伤后1、3和6个月的结局预测进行评估。此外，对同样的三个模型进行了生存预测的改编。

由63名患者组成的数据集1被分为训练集（N = 37，约占60%）和测试集（N = 26，约占40%）。病因和结局的分布在两个数据集之间保持平衡。由于每类患者（即良好或不良结局；生存或死亡）的数量不平衡，对样本较少的类别进行过采样以匹配另一类别的样本量。重复此过采样过程1000次，每次使用不同的随机种子。使用留一交叉验证在训练集上训练线性判别分析模型。使用留一交叉验证的平均准确率来确定最优正则化参数。对每个患者，使用1000次重采样迭代的平均概率作为最终预测。将来自1000次迭代的每个训练好的线性判别分析模型应用于测试集，并为每位患者生成预测概率。包含18名患者的数据集2用作外部验证集。

计算受试者工作特征曲线以评估模型的预测性能。在训练集上使用约登指数确定最优决策阈值，该指数使灵敏度和特异度之和最大化。预测概率超过该阈值的患者被分类为良好结局/生存，低于该阈值的患者被分类为不良结局/死亡。总体分类性能通过曲线下面积、准确率、灵敏度、特异度、阳性似然比和阴性似然比进行评估。通过1000次bootstrap估计性能指标和个体患者预测概率的95%置信区间。

多模态数据

除基本临床变量（年龄、病因和格拉斯哥昏迷量表评分）外，此研究还考虑了心脏骤停和创伤性脑损伤患者多模态预后模型中常用的额外预测因子。对于心脏骤停后的患者，收集了从倒地到自主循环恢复（ROSC）的时间（定义为首次触及可触及脉搏的时间）。在伤后96小时内进行常规19通道视频EEG监测，连续记录24至72小时。EEG数据由两名经验丰富的电生理学审阅者进行视觉分析，并分为高度恶性（全面抑制、爆发抑制）、恶性（不连续、低电压）和良性（连续）EEG背景。在伤后24小时、48小时和7天测量神经元特异性烯醇化酶（NSE）水平。基于这些预测因子，为心脏骤停亚组构建了一个多模态预后模型，纳入年龄、格拉斯哥昏迷量表评分、自主循环恢复时间、EEG背景模式和神经元特异性烯醇化酶水平。

对于创伤性脑损伤后的患者，收集了IMPACT核心和核心+CT模型的预测因子。核心预测因子包括年龄、格拉斯哥昏迷量表运动评分和瞳孔反应性。其他预测因子如缺氧、低血压、Marshall CT分级、硬膜外血肿和创伤性蛛网膜下腔出血被纳入IMPACT核心+CT模型。

统计

所有统计检验均基于偏差校正和加速bootstrap。在bootstrap过程中，所有参与者被有放回地重采样10000次。

为了检验频率f处谱峰的显著性，将f处的反应功率与邻近四个频率区间的平均功率进行比较。显著性系数计算为 (2N+1)/10001，其中N等于在重采样数据中f处反应功率强于邻近频率的次数。使用相同的重采样程序比较名字和声学对照的反应。为了检验神经反应与结局之间的相关性，进行了Spearman相关性分析。当存在多重比较时，基于错误发现率校正调整P值。所有P值均为双侧，统计学显著性定义为P值小于0.05。所有分析均使用MATLAB 2020a版本进行。