引言：新生儿HIE早期预后的挑战
缺氧缺血性脑病（HIE）仍然是全球新生儿死亡和长期神经发育障碍的主要原因之一。尽管治疗性低温（TH）的引入已经彻底改变了管理方式，降低了死亡或严重残疾的风险，但仍有相当比例的治疗婴儿经历了不良结局。对于临床医生和家庭而言，在生命最初的24至48小时内准确预测长期神经发育轨迹至关重要。早期和精确的风险分层不仅有助于指导关于护理强度的临床决策，也是选择参与辅助神经保护疗法临床试验的受试者的重要工具。
传统的床边评估，如Sarnat评分，提供了即时的临床见解，但通常受到评分者间差异和镇静或治疗性低温的混淆效应的影响。虽然脑电图（EEG）被认为是NICU监测脑功能的金标准，但其效用经常因需要专门的小儿神经生理学家实时解释复杂的背景模式而受到限制。自动化脑电图分析的出现提供了一种潜在的解决方案，能够提供客观、连续和快速的大脑状态评估。
新生儿脑病中的EEG背景作用
EEG背景模式反映了新生儿大脑的功能完整性。在HIE的背景下，背景异常的严重程度——从轻微的不连续性到爆发抑制或平坦波形——与脑损伤的程度密切相关。然而，解释这些模式需要大量的专业知识。’新生儿脑状态’（BSN）评分被开发为一种定量的自动化工具，将这些背景模式分类为简化的数值尺度。通过利用信号处理和机器学习，BSN评分旨在提供一个标准化的指标，可以轻松集成到临床实践中，即使在没有24小时专家神经生理学家的中心也能使用。
研究设计和方法：HEAL试验的二次分析
Cornet等人发表在《JAMA Network Open》上的研究是验证自动化EEG工具的重要一步。这项队列研究是对高剂量促红细胞生成素用于窒息和脑病（HEAL）试验的二次分析，这是一项多中心随机对照试验，评估了促红细胞生成素作为治疗性低温的辅助疗法的有效性。
该分析包括203名胎龄36周或以上且符合HIE标准并接受治疗性低温的新生儿。原始EEG数据来自美国的九个学术中心，从出生后24小时内开始收集。BSN评分通过基于云的服务计算，为每个婴儿提供基于其EEG背景的中位数评分。主要结果是2岁时死亡或严重神经发育障碍（NDI）的复合指标，定义为包括《贝利婴幼儿发展量表第三版》（Bayley-III）在内的标准化评估。
关键发现：提高预后准确性
研究结果强调了自动化EEG分析的强大估计能力。在分析的203名婴儿中，21名（10.3%）出现严重NDI，28名（13.8%）在2岁时死亡。
与专家解读的相关性
主要目标之一是确定BSN评分是否准确反映了专家人类读者的评估。研究人员发现，中位BSN评分与专家分类的EEG背景类别之间的皮尔逊相关系数为0.69（95% CI，0.64-0.73）。这表明自动化算法与经验丰富的神经科医生提供的’真实情况’高度一致。
优于临床变量
当评估预测死亡或严重NDI复合结果的能力时，仅使用临床变量（如出生体重、pH值和Apgar评分）的受试者工作特征曲线（ROC）下的面积（AUROC）为0.79（95% CI，0.70-0.87）。然而，加入中位总体BSN评分显著提高了模型的性能，AUROC提高到0.90（95% CI，0.84-0.97）。
此外，当将所有可用时间点的中位BSN评分纳入模型时，AUROC达到了显著的0.93（95% CI，0.88-0.98）。这表明BSN评分在传统临床标志物之外提供了实质性的增量价值，大大提高了早期预后的置信度。
与专家解读的比较
重要的是，自动BSN评分的预后准确性与专家对EEG背景的评估（AUROC，0.90；95% CI，0.81-0.98）的预后准确性统计上相似。这一发现对于那些无法立即获得专家神经科医生咨询的临床环境尤其相关，表明自动化工具可以有效填补专业技能的空白。
临床意义和转化洞察
BSN评分能够匹配专家表现，这表明它可能成为NICU的变革工具。对于许多社区医院或甚至区域中心来说，提供24/7的专家EEG解读在物流和财务上都是具有挑战性的。自动化、客观的评分允许实时监测大脑恢复或恶化，可以帮助临床医生与家属沟通并规划长期随访。
从研究的角度来看，BSN评分提供了一种标准化的风险分层方法。在未来的HIE临床试验中，研究者可以使用BSN评分来识别最有可能出现不良结局的婴儿，确保神经保护干预措施在最有可能受益的人群中进行测试。这减少了临床数据中的’噪声’，增加了研究检测有意义治疗效果的能力。
专家评论：优势和局限性
尽管研究结果令人鼓舞，但仍需解决几个问题。该研究是HEAL试验的二次分析，虽然稳健，但由于仅包括有可用原始EEG数据的婴儿，可能存在选择偏差。此外，虽然BSN评分与专家读者相关性良好，但它不能替代全面的临床评估。EEG背景只是拼图的一部分；其他因素，如神经影像学（MRI）和连续临床检查，仍然是预后评估的重要组成部分。
BSN评分的一个潜在局限性是其对信号质量的依赖。在繁忙的NICU环境中，电气干扰和运动伪影可能会降低EEG信号的质量。未来版本的自动化工具需要在面对这些常见技术挑战时表现出持续的可靠性。此外，该研究关注的是2年结果；需要更长时间的随访到学龄期，以确定BSN评分是否能预测在幼儿期可能不明显的更细微的认知或行为缺陷。
结论：客观新生儿神经学的新时代
Cornet等人的研究表明，自动化EEG背景分析是一种可行且高度准确的方法，可以预测患有HIE的新生儿2年的神经发育结果。通过提供一个与专家解读相媲美的客观评分，BSN工具有望使高水平的神经监测民主化。随着我们朝着更加个性化和数据驱动的新生儿护理方向发展，这样的自动化系统很可能会成为我们在努力减少最脆弱患者脑损伤负担方面不可或缺的工具。
资助和ClinicalTrials.gov
本研究得到了国家神经疾病和中风研究所（NINDS）的资助。HEAL试验已在ClinicalTrials.gov注册（NCT02816632）。加州大学旧金山分校和参与的学术机构也提供了额外支持。
参考文献
1. Cornet MC, Numis AL, Wusthoff CJ, 等. 自动化脑电图背景分析和新生儿缺氧缺血性脑病的2年结果. JAMA Netw Open. 2025;8(12):e2548321. doi:10.1001/jamanetworkopen.2025.48321.
2. Wu YW, Mayock DE, Kroon K, 等. 高剂量促红细胞生成素用于窒息和脑病（HEAL）：一项随机试验. N Engl J Med. 2022;387(2):148-159.
3. Tich SN, d’Allest AM. 新生儿脑病中EEG的预测价值. Neurophysiol Clin. 2016;46(4-5):249-265.
4. Glass HC, Wusthoff CJ, Shellhaas RA. 幅度整合脑电图在新生儿重症监护病房的应用、解读和误区. J Perinatol. 2013;33(11):831-839.