翻译 苏州市立医院 刘军

审校 河北省人民医院 杜全胜

目的：谵妄是一种急性住院患者常见且易误诊漏诊的并发症，其严重程度与不良临床预后相关。我们提出一项基于生理学的方法来定量评估谵妄的严重程度，作为一种有助于缩小这一诊断差距的工具：脑电图谵妄评估方法严重程度评分（The Electroencephalographic Confusion Assessment Method Severity Score，E-CAM-S）。

设计：回顾性队列研究。

地点：单中心三级学术医疗中心。

患者：纳入2015年8月至2019年12月期间接受脑电图检查以评估精神状态改变的373名成年患者。

干预措施：无。

测量和主要结果：我们基于前额脑电图信号的排序学习机器学习模型开发了E-CAM-S。临床谵妄严重程度采用意识紊乱评估方法严重程度（Confusion Assessment Method Severity，CAM-S）进行评估。我们比较了E-CAM-S和CAM-S与住院时间和住院死亡率的相关性。发现E-CAM-S与临床CAM-S相关（R = 0.67；P < 0.0001）。在整体队列中，E-CAM-S和CAM-S与住院时间（相关性分别为0.31 vs 0.41；P = 0.082）及住院死亡率的相关性接近（曲线下面积= 0.77 vs 0.81；P = 0.310）。即使限于非昏迷患者，E-CAM-S与CAM-S和住院时间（相关性分别为0.37 vs 0.42；P = 0.188）及住院死亡率（曲线下面积= 0.83 vs 0.74；P = 0.112）的相关性方面仍相似。除了既往认识到的谱特征外，机器学习框架发现，在基于脑电图的谵妄严重程度预测中，多种测量方法随时间的变异是其重要特征。

结论：E-CAM-S是一种自动化的谵妄严重程度生理学测量，可预测临床转归，其效能可与传统的基于面谈的临床评估相媲美。