重症医学科实施的神经监测——内容、方法和原因

综述目的

本文旨在选择性地审视新兴的无创性神经监测技术，以及在重症医学科（ICU）环境中支持其应用的证据。重点关注急性脑损伤患者的神经监测研究。

近期发现

近期的研究发现显示，利用视神经鞘直径测量、经颅多普勒波形分析或颅骨机械张力计波形记录进行无创颅内压评估，相比于标准的有创性监测，具有潜在的安全性和资源密集性优势。然而，每种技术均存在一定局限性。定量脑电图可用于检测脑缺血和隐匿意识状态。近红外光谱技术可用于脑氧合和自动调节计算。自动化定量瞳孔测量和心率变异性分析已被证明在特定类型的急性脑损伤中具有诊断和/或预后意义。最后，人工智能可能会在个体使用时以及与多模态形式集成时，改变神经监测形式的解释和应用。

总结

由于神经监测数据采集和分析方面的显著进展，检测危重病患者脑功能障碍和损伤的能力正在不断丰富。需要有更多的研究来验证这些新方法的准确性和可靠性，并评估其在现有重症监护工作流程中的可行性和实施情况。

简介

近年来积累的证据，尤其是以2019年冠状病毒病（COVID-19）大流行为顶点的证据表明，极高比例的危重病患者存在或处于中枢神经系统损伤或功能障碍的风险中。原发性脑损伤的创伤性和非创伤性原因是众所周知的，然而，脑损伤或功能障碍也可能由于感染或全身炎症状态的失调性宿主反应、毒性或代谢紊乱、血管内凝血异常、循环不全、严重缺氧、脑血流和自主调节功能的紊乱、损害组织灌注和氧合、以及电功能所引起。这些继发性损害在诸如败血症和急性呼吸窘迫综合征（ARDS）等多种情况下观察到，它们还可能加剧原发性脑损伤，对病情的严重程度和长期结果产生重大影响。在大多数情况下，存在一段狭窄的干预时间窗，可防止或最小化对脑的损伤。

因此，通过适当的神经监测检测大脑功能和完整性的早期变化成为重症医学的重要优先事项。目前，在重症医学科（ICU）评估神经功能的现有方法依赖于连续的体格检查、脑电图（EEG）以及计算机断层扫描（CT）和磁共振成像（MRI）等成像技术，通常通过对比增强处理技术来观察血管病变或将病变和血流特征进行空间定位。当前的方法还包括经颅多普勒成像，用于评估Willis动脉环中的脑血流速度。对于选择性重型创伤性脑损伤（TBI）患者的管理，有创性颅内压（ICP）监测通过外部脑室引流管（EVDs）和脑实质内监测器（IPMs）是推荐的标准，并且经常用于其他严重脑损伤亚型。这些不同的方法提供了重要的见解，然而在准确性、安全性和临床实用性方面存在显著的局限性。近期的研究集中于多模态神经监测方式，新的生理信号获取方法以及信号分析和解释的进展。

在本综述中，我们选择性地讨论了一些针对神经监测开发的新兴技术。我们的重点是在急性脑损伤患者中进行的研究，因为这是大多数研究所关注的领域。然而，其他危重患者也容易出现神经系统并发症，我们预期这里描述的一些方法可能在其他危重病患群中也得到应用。表1和表2中包含了支持神经监测指标和应用领域的证据的简要总结。

无创性颅内压监测

颅内压升高是一种危及生命的事件，及时检测并有效管理可以缓解其影响。具有或处于颅内压升高风险中的患者通常会在临床上表现为意识水平降低、外展神经麻痹以及瞳孔形状、大小和对光的反应发生变化。然而，这些征象通常是晚期指标，在严重颅脑损伤及其他严重颅脑疾病的患者中广泛使用颅内压监测。标准的颅内压监测设备，如外部脑室引流和脑实质内监测器，可以生成一个校准的颅内压波形，从中持续获取平均颅内压值。在当前的实践中，平均颅内压值被用作定义正常颅内压阈值的主要指标。指南建议，如果平均颅内压持续5分钟以上超过20mmHg，或者在颅脑损伤患者中超过22mmHg，则应该进行干预治疗。

尽管有创性方法是颅内压监测的黄金标准，但仍会出现少量但不可忽视的并发症风险，并且需要一定的技术能力（如专业设备和神经外科专业知识），这些能力在许多场景下并不容易获得。无创性颅内压监测试图通过更安全、更易获得的替代方法来克服这些限制，同时保持准确性和可靠性。本文所述的无创性颅内压监测方法包括视神经超声成像、经颅多普勒波形分析、定量瞳孔测量以及使用机械伸展计检测颅内压周期中的微小颅骨变形。

超声评估视神经鞘直径（ONSD）可用于检测脑损伤患者的颅内压升高。在对TBI患者进行的研究的Meta分析中，与检测颅内压升高的有创性标准相比，ONSD的综合敏感性为0.85（95%置信区间为0.79-0.89），特异性为0.88（95%置信区间为0.80-0.93）。这种技术的局限性包括超声分辨率的变化、需要进行培训、操作者间的差异、患者之间视神经解剖学的差异，以及无法连续捕获数据进行趋势分析。尽管当前的分析工作流依赖于受过训练的人员，但最近的研究表明，可以使用人工智能来自动化收集ONSD数据进行分析。

另一种无创性颅内压评估方法是经颅多普勒（TCD）。对脑血流速度波形产生的脉动性的分析和其他指标，这些指标已被发现与颅内压相关。IMPRESSIT-2研究是一项前瞻性多中心非盲临床试验，比较了TCD波形分析与有创性颅内压监测在检测升高颅内压方面的应用；该研究显示了TCP某些指标在排除超过20mmHg的颅内压升高方面具有较高的阴性预测值，表明其在排除颅内压升高方面具有很高的判别准确性，但阳性预测值非常低。经颅多普勒用于无创性颅内压监测的局限性包括在近三分之一的患者中难以获得可靠的超声声窗，需要专业技术来人员分析和解释TCD波形，以及数据采集的偶然性降低了捕获重要事件或趋势的可能性。

定量瞳孔测量是另一种无创性颅内压评估技术，下文将更详细地讨论。在最近的两项研究中，瞳孔测量某些指标与有创性颅内压呈相关性，并且在受试者中区分高颅内压工作特征曲线下面积分别为0.71和0.72。

另一种新兴的无创性颅内压评估技术是基于头皮的机械伸展计，目前正在进行研究，它可以检测微小的颅骨变形，产生形态与有创性颅内压波形类似的波形。波形形态的变化，如压力波比上冲击波的增加，可能表明颅内顺应性降低。该设备便携且在其他无创性设备方面具有显著的成本优势。尽管很有前景，但还需要进一步研究来确定该方法在重症监护环境中提供准确、临床上有用的数据的有效性。

定量脑电图

在危重病患者中，脑电图（EEG）用于检测癫痫和癫痫持续状态、监测镇静深度以及确定脑病的特征。在现有工作流程中，脑电图信号经过标准方法处理以去除噪声和伪迹，然后由训练有素的神经生理学家进行分析。这一过程在很大程度上依赖于专家对模式和趋势的识别以及它们与临床状态的关联；局限性包括解释上的偏差、忽视信号中的微小异常的可能性、检测时间趋势方面的挑战，以及处理大量数据效率低下导致关键治疗决策延迟的问题。

定量脑电图（qEEG）是利用计算算法（越来越多地采用人工智能分类器）对脑电图信号进行解码，提取神经生理特征，并在一段时间内显示总结。脑电图特征经过统计分析，用于频率（频谱）和空间（拓扑图、一致性、连接性）等方面的解释。qEEG允许对大量脑电图数据进行客观和有效的处理，并可能提高对即将发生或正在发生的神经风险（如癫痫和脑缺血）的敏感性。qEEG已经通过多种商业应用程序，并且正逐渐在重症医学科中得到应用。qEEG的优点包括早期检测，有助于及时干预，并且能够实现连续监测，与许多其他神经监测方法不同，后者只能间歇性地捕获数据。最近，提出了通用数据元素标准，以规范针对严重脑损伤患者的脑电图和qEEG研究工作。

在危重病患的脑损伤患者中，已对定量脑电图（qEEG）进行了多种应用研究。在动脉瘤性蛛网膜下腔出血（aSAH）患者中，可以利用α /δ比率、反应性α变异性和功率指标的趋势来检测临床上潜在的迟发性脑缺血。在对心跳骤停的昏迷幸存者进行的研究中，结合临床变量和qEEG特征的模型可以预测意识恢复，尽管相对于qEEG实现的模型准确性提升是有限的。尽管镇静药物严重改变了脑电图信号，但qEEG方法有助于区分脑损伤和由镇静引起的特征。因此，在最近一份关于严重脑损伤患者的报告中，早期的qEEG反应性分析可预测唤醒和3个月的恢复情况，而与镇静状态无关。

 一个备受关注的领域是利用qEEG特征训练人工智能算法的能力。有证据表明，这些算法可以支持对心脏骤停后昏迷幸存者的神经预后的预测，调整镇静深度，以及认知运动分离患者的识别。下文将进一步讨论利用人工智能分析神经监测数据的应用。

近红外光谱技术(NIRS)

近红外光谱技术（NIRS）是一种无创性技术，基于头皮的电极发射近红外光，然后捕获从脑等底层组织反射回来的信号。根据氧血红蛋白和脱氧血红蛋白的差异光吸收谱确定其相对浓度。当与同时记录的全身动脉血压一起获取时，NIRS时间序列数据可用于计算不同的自调节指数，如脑血氧指数（Cox）、组织氧指数（Tox）和血红蛋白体积指数（HVx）。

研究已探讨了NIRS在接受心脏或血管手术、缺氧缺血性脑损伤、TBI、动脉瘤性蛛网膜下腔出血和缺血性卒中患者中的应用。然而，有关其临床价值的确凿证据仍然有限。正在进行的调查旨在确定基于NIRS的技术是否可以用于指导血压和机械通气的优化、输血阈值以及颅内压的管理。

自动定量瞳孔测量

病理性颅内情况会改变瞳孔大小和反应性，其中最明显的是颞叶钩回疝，即动眼神经受压迫导致同侧瞳孔扩大，对光的收缩迟钝或消失。在癫痫和癫痫持续状态等疾病情况下，以及影响自主神经系统输出的药物作用下，瞳孔特征也会发生改变。证据表明，使用手电筒和视觉检查进行瞳孔特征的传统估计具有显著的观察者间差异，不够精确。

自动定量瞳孔测量可以客观和准确地测试瞳孔对光的反应。瞳孔计量器设备提供精确定义的光刺激，并捕获不同的变量，如最大直径、最小直径、收缩速度、收缩幅度和响应延迟。动态瞳孔变量可以集成到算法衍生的指数中，如神经学瞳孔指数(NPi, NeurOptics, Laguna Hills, CA, USA)。

自动定量瞳孔测量的研究已经在高颅压的检测、迟发性脑缺血的检测，以及非惊厥性癫痫的治疗方面有了的研究成果。在神经预后方面的研究最为广泛。由行业资助的ORANGE项目是一项前瞻性的多中心国际观察性队列研究，评估了NPi（最初7天，每4小时记录一次）在514例颅脑损伤、动脉瘤性蛛网膜下腔出血和脑实质出血的危重患者中的关联性。研究发现异常的NPi与6个月的神经系统结果（使用格拉斯哥结果量表评估）和死亡率之间存在关联。尽管这些结果非常值得关注，但直接比较自动定量瞳孔测量与手动评估瞳孔光反射对诊断或预后影响的研究有限。

心率变异性

心率变异度（HRV）被广泛研究作为自主神经系统功能的指标，越来越被视为重症监护中的生理标志物。HRV特征可以在时间、频率和使用非线性方法（如熵分析）中生成。值得注意的是，在重症医学科中很少有可用的研究证明HRV的实时分析能力，对于治疗干预是否会对临床结果产生影响，人们对此认识有限。

研究表明，异常的心率变异与中风、颅内出血、TBI和动脉瘤性蛛网膜下腔出血患者的不良神经系统结局一直存在着一致的关联。两项系统评价证实了心率变异与急性脑损伤后不良功能结局和死亡率的相关性。最近的一项研究发现，利用心率变异特征训练的机器学习算法能够有效预测院内心脏骤停。其他研究表明，利用心率变异特征训练的人工智能模型能够准确预测诸如重症医学科内心脏骤停或动脉瘤性蛛网膜下腔出血后迟发性脑缺血等生理恶化的情况。

人工智能 (AI)

神经监测获取的时间序列数据量大，包含许多变量，使用传统统计方法进行有效分析具有挑战性。这些特征可以作为人工智能算法的输入，用于预测重症监护中感兴趣的事件，如即将发生的生理功能失调、疾病发病和时间进程、治疗反应性以及临床结果。最近的报道表明，人工智能模型可以被训练成准确预测即将发生的生理状态恶化，如颅内压升高、心脏骤停、迟发性脑缺血，以指导中风管理，并预测神经系统预后（表1）。

针对严重脑损伤患者的综合研究表明，使用单一神经监测方法获取的数据只能提供非常不完整的评估。在许多临床应用中，多模态神经监测方式得到了越来越多的支持。人工智能算法在通过不同类型的融合建模、整合多模态数据方面可能极具价值。

最近的一次共识会议提出了数据元素和科学框架，以促进使用单一和多模态神经监测方法进行整合研究。算法的临床实施处于非常早期阶段，但随着研究和传播标准的发展，基于人工智能的方法可能会对重症监护中的神经监测产生非常大的影响。

结语

重症患者的神经监测正逐渐丰富，涌现出一系列新的选项（见表1和表2）。使用无创性颅内压（ICP）技术获得的结果在与有创性方法相比具有安全性和资源密集性特征等有利的一面。然而，这些新方法在准确性和可靠性尚未得到很好的结论。定量脑电图（qEEG）分析可识别癫痫和背景状态变化的趋势和模式，临床应用包括在动脉瘤性蛛网膜下腔出血中检测迟发性脑缺血和识别潜在的意识状态。近红外光谱数据与系统循环变量结合，可生成脑自动调节指数，是指导急性脑损伤患者血液动力学、通气、输血和颅内压管理的有希望的方法。自动瞳孔测量可对瞳孔反应进行客观定量评估，与生理变化和后续结果相关，但缺乏在真实环境中的价值证明。心率变异性分析是一种新颖的方法，可用于预测生理恶化和神经预后。最后，初步证据表明，使用基于大规模神经监测数据集训练的人工智能算法的研究显示出非常准确的预测能力，这可能会改变重症患者的检测、治疗选择和预后评估。