Group-Based Trajectory Modeling of Suppression Ratio After Cardiac Arrest.
Group-Based Trajectory Modeling of Suppression Ratio After Cardiac Arrest.
复制标题
DOI：
10.1007/s12028-016-0263-9
复制
发表时间：
2016-12
影响因子：
3.5
通讯作者：
Pittsburgh Post-Cardiac Arrest Service
中科院分区：
文献类型：
--
作者：
Elmer J;Gianakas JJ;Rittenberger JC;Baldwin ME;Faro J;Plummer C;Shutter LA;Wassel CL;Callaway CW;Fabio A;Pittsburgh Post-Cardiac Arrest Service
现有的定量脑电(QEEG)作为心脏骤停(CA)预后预测工具的研究使用的方法忽略了qEEG数据的纵向模式，导致显著的信息损失和对临床上重要的时间趋势的分析。我们测试了基于群的轨迹建模(GBTM)在qEEG分类中的应用，重点是抑制比(SR)的具体例子。纳入2010年4月至2014年10月住院的CA昏迷患者，不包括因创伤或神经灾难而昏迷的CA患者。我们使用PerSyst®V12生成SR趋势，并使用半定量方法选择适当的采样和平均策略。我们使用GBTM将SR数据划分为不同的轨迹，并将轨迹与结果进行回归关联。我们使用没有qEEG的临床变量建立了一个多变量Logistic模型来预测生存，然后添加轨迹和/或非纵向SR估计，并评估模型性能的变化。总体而言，289名CA患者接受了≥36小时的脑电检查，产生了10,404小时的数据(平均年龄57岁，81%的患者在院外停滞，33%的患者有电击节律，31%的患者总体存活，17%的患者出院或急性康复)。我们确定了4种不同的SR轨迹(62%、26%、12%和0%，P<；0.0001跨组)和CPC(35%、10%、4%和0%，P<；0.0001跨组)。与添加非纵向数据相比，添加轨迹显著提高了模型性能。使用GBTM对连续的qEEG数据进行纵向分析可提供比CA后单个时间点的qEEG分析更多的预测性信息。
Existing studies of quantitative electroencephalography (qEEG) as a prognostic tool after cardiac arrest (CA) use methods that ignore the longitudinal pattern of qEEG data, resulting in significant information loss and precluding analysis of clinically important temporal trends. We tested the utility of group-based trajectory modeling (GBTM) for qEEG classification, focusing on the specific example of suppression ratio (SR). We included comatose CA patients hospitalized from April 2010 to October 2014, excluding CA from trauma or neurological catastrophe. We used Persyst®v12 to generate SR trends and used semi-quantitative methods to choose appropriate sampling and averaging strategies. We used GBTM to partition SR data into different trajectories, and regression associate trajectories with outcome. We derived a multivariate logistic model using clinical variables without qEEG to predict survival, then added trajectories and/or non-longitudinal SR estimates and assessed changes in model performance. Overall, 289 CA patients had ≥36 hours of EEG yielding 10,404 hours of data (mean age 57 years, 81% arrested out-of-hospital, 33% shockable rhythms, 31% overall survival, 17% discharged to home or acute rehabilitation). We identified 4 distinct SR trajectories associated with survival (62%, 26%, 12% and 0%, P<0.0001 across groups) and CPC (35%, 10%, 4% and 0%, P<0.0001 across groups). Adding trajectories significantly improved model performance compared to adding non-longitudinal data. Longitudinal analysis of continuous qEEG data using GBTM provides more predictive information than analysis of qEEG at single time-points after CA.
登录
查看更多内容
DOI：
10.1186/cc9276
发表时间：
2010
期刊：
Critical care (London, England)
影响因子：
--
作者：
Rossetti AO;Urbano LA;Delodder F;Kaplan PW;Oddo M
通讯作者：
Oddo M
影响因子：
6.5
作者：
Oh, Sang Hoon;Park, Kyu Nam;Shon, Young Min
通讯作者：
Shon, Young Min
影响因子：
38.9
作者：
Seder, David B.;Fraser, Gilles L.;Riker, Richard R.
通讯作者：
Riker, Richard R.
影响因子：
4.3
作者：
Chennu S;O'Connor S;Adapa R;Menon DK;Bekinschtein TA
通讯作者：
Bekinschtein TA
影响因子：
38.9
作者：
Laver, S;Farrow, C;Nolan, J
通讯作者：
Nolan, J