从术中脑电预测术后谵妄：AI捕捉到θ频段连接变化

术后谵妄常见、起病快，又与住院时间延长和不良结局相关。临床上若能在手术尚未结束时识别风险，就可能为术后监测和非药物预防争取窗口。2026年的一项研究把术中脑电（EEG）功能连接与机器学习结合，寻找早期信号。

研究如何分析脑电？

研究纳入70名心血管手术患者，术后谵妄组和非谵妄组各35人。团队利用相位锁定值（PLV）衡量不同脑区在δ、θ、α和β频段的同步程度，再把组间差异明显的连接边输入 XGBoost 分类器。

谵妄患者最明显的变化集中在 θ频段：共有12条连接边出现差异，且显著连接的PLV均升高。仅使用θ频段特征时，模型准确率达到 90.7%，AUC为 0.91。

这可能改变什么？

未来的麻醉监护不一定只显示“麻醉深度指数”，还可能实时分析脑网络同步模式，提示需要关注的认知风险。对于高风险患者，团队可更早优化镇静策略、减少不必要的抗胆碱能药物、加强睡眠与定向干预，并规划PACU或ICU观察。

小样本结果不能被过度解读

70例属于探索性规模，且病例来自心血管手术。特征筛选与模型训练若缺乏严格的外部验证，容易出现过拟合。脑电还受到年龄、麻醉药、体温、体外循环和伪迹影响。因此，这一结果应视为候选生物标志物，而非可直接用于临床诊断的阈值。

参考文献：Fang Y, et al. Machine learning-based prediction of postoperative delirium from intraoperative EEG signal alterations in brain functional connectivity. 2026. DOI｜PubMed

本文用于医学信息交流，不构成个体诊疗建议。