Neurologic prognostication by QEEG and Deep learning-based Neuroimaging analysis in post cardiac arrest patients with therapeutic hypothermia

Abstract

Background and object: Post-cardiac arrest syndrome (PCAS) is one of the critical conditions with the highest mortality rate and can result in a more serious brain injury. Early and accurate prognostication is crucial for deciding the patient’s therapeutic plan and setting the goal of treatment. This study aimed to establish the prognostication values of quantitative electroencephalography (QEEG) and DL-based brain image analysis in PCAS patients. Methods: This retrospective study was performed in a tertiary university hospital in Korea from March 2012 to February 2019. We recruited 222 PCAS patients treated with therapeutic hypothermia. Electroencephalography (EEG) data within 72 hours after cardiac arrest (CA) and multimodal computed tomography (CT) images of the brain, diffusion weighted images (DWIs) taken within 72 hours after CA, and clinical data were collected. QEEG analysis including power spectral density and connectivity analysis of default mode network (DMN) were performed. Brain image features for prediction models were extracted by DL technique. Cerebral performance category (CPC) scores at hospital discharge were used to predict the neurologic outcome of survivors after CA. Results: The mean age of the patients was 54.34 ±15.63 years, with a male and female ratio of 70.3% vs 29.7%. Early QEEG indexes of absolute and relative alpha power were associated with good outcome. By contrast, the relative power of higher frequency (over 20 Hz) and delta to alpha ratio were poor outcome markers. We found out that connectivity of DMN were significantly distorted in the poor outcome group compared with the good outcome group. The accuracy of DL-based brain image analysis was tested in 109 patients, and 88 of them had the correct prognosis score (80.73% accuracy). The negative predictive value was 59.46%, while the positive predictive value was 91.67%. However, the false positive rate was 0.05%. Conclusions: These findings suggest that QEEG and DL analysis of multimodal brain images could quantify and automate the interpretation of EEG and brain images. Furthermore, they can determine the prognostic values for neurologic outcomes relatively early and accurately in PCAS patients treated with hypothermia compared with traditional visual grading or manual quantification tools. ;심정지이후 증후군은 가장 높은 사망률과 심각한 뇌손상을 일으키는 질환의 대표적인 경우이다. 조기의 정확한 신경학적 예후예측은 환자의 중장기적 치료의 목표의 설정과 급성기치료에 대한 빠른 임상적 결정에 매우 중요하다. 본 연구는 저체온요법을 시행한 심정지이후 환자에서의 예후 예측을 위하여 정량적 뇌파와 인공지능을 활용한 뇌영상검사를 분석함으로 그 유용성을 확인하고자 하였다. 본 연구는 2012년 3월부터 2019년 2월까지 한 국내 대학병원에서 심정지가 발생하여 응급실에 내원한 환자를 대상으로 저체온요법이 시행된 환자군을 대상으로 심정지 후 자발순환회복이 발생한 시점을 기준으로 하여 72시간 이내 시행된 뇌파와 응급실에서 시행된 뇌 컴퓨터 단층촬영(CT)와 뇌 자기공명영상(MRI)를 수집하여 분석하였고 전자차트를 검토하여 심정지발생시간, 목격자 심폐소생술 여부, 심폐소생술 시행시간, 최초 심전도, 내원 시 뇌간 반사, 퇴원 시 Cerebral Performance Category점수(CPC점수)등을 수집하였다.정량적 뇌파 분석에는 전력 스펙트럼 밀도(Power spectral density)와 내정상태 회로(default mode network; DMN)의 연결성분석(connectivity analysis) 를 시행하였고 뇌영상에 대하여는 합성곱 인공신경망 (convolutional neuronal network)을 활용하여 CT와 MRI를 학습시켜 뇌영상을 바탕으로 환자의 예후(CPC 점수 1-2: 좋은 예후, CPC 점수3-5: 나쁜 예후)를 예측하도록 하였다. 환자군의 평균연령은 54.34 ±15.63세였으며 남성과 여성의 비율은 각각 70.3%, 29.7%이었고 정량적 뇌파분석에서 상대적인 알파전력이 좋은 예후를 보이는 군에서 유의하게 높게 관찰되었고 반대로 20Hz이상의 고주파 영역에서는 상대적 전력이 나쁜 예후를 보인 환자군에서 높게 관찰되었다. 나쁜 예후를 보이는 환자군에서 내정상태 회로의 주로 뒤쪽영역에서 증가된 정합성(coherence)이 변화가 관찰되어 회로 연결의 뚜렷한 구조적인 변화가 관찰되었다. 인공지능을 활용한 뇌영상분석에서는 109명의 시험군중 88명의 정답 예측을 보여 정확도가 80.73%로 나타났다. 음성 예측률은 59.46%, 양성 예측률은 91.67% 이었으며 위양성률은 0.05%로 나타났다. 본 연구결과는 정량적 뇌파가 심정지후 증후군환자의 예후 예측에 유용하게 사용될 수 있으며 최초로 정량 뇌파를 이용하여 내정상태 회로(DMN)의 연결성 분석을 시행하여 환자의 의식회복에 대한 예측에 정량적 뇌파 분석의 활용 가능성을 확인하였다. 또한 심정지후 의식회복의 지연, 인지기능의 장애 등의 원인이 내정상태 회로(DMN)의 구조적 변화와 비정상적 정합성의 강화와 연관이 있을 가능성을 발견하였다. 또한 인공지능을 활용한 뇌영상분석을 통하여 예측 알고리즘을 개발하였고 그 성능을 최초로 확인하였다.