《Frontiers in Neurology》:Multi-centered reassessment of CRS-R in disorders of consciousness: a dimensionality reduction study from cognition and motor function
编辑推荐:
本文旨在通过将昏迷恢复量表修订版(Coma Recovery Scale-Revised, CRS-R)的六维评分降维至“意识”与“觉醒/运动功能”两个核心维度,为意识障碍(Disorders of Consciousness, DoC)的评估提供更精准的临床分型工具。研究利用投影非负矩阵分解(Projective Non-negative Matrix Factorization, PNMF)从多中心数据中提取出连续性的评估维度,并基于此建立了具有高准确度(0.94)、精确度(0.92)和召回率(0.99)的诊断模型。新模型不仅有效区分了植物状态(Vegetative State, VS)与微意识状态(Minimally Conscious State, MCS),其衍生的四象限框架还能识别不同的临床特征谱,为制定个体化的康复干预策略(如认知康复、觉醒促进疗法等)提供了理论依据,有望提升DoC患者的精准诊疗水平。
引言
意识障碍(Disorders of Consciousness, DoC)是一种由严重脑损伤、神经系统疾病或其他医疗状况引起的意识紊乱状态,其特征是觉醒和意识水平的变化,包括昏迷、植物状态(Vegetative State, VS,亦称无反应觉醒综合征)和微意识状态(Minimally Conscious State, MCS)等。在临床实践中,评估意识恢复最详尽、最具循证依据的行为学工具是昏迷恢复量表修订版(Coma Recovery Scale-Revised, CRS-R)。该量表包含听觉、视觉、运动、口部运动、交流和觉醒六个子量表,总分范围0-23分,用于区分不同层次的意识状态。
然而,CRS-R评分存在局限:总分无法有效反映不同功能维度的相对损伤程度,得分相似的患者可能表现出迥异的临床特征,给治疗决策带来挑战。神经科学和临床评估通常关注三个相互关联的功能域:觉醒、意识和运动功能。觉醒涉及脑干和大脑皮层的协调运作,是神经评估的优先事项;意识则与对外部刺激的感知和理解相关;运动功能关注自发的运动活动能力。尽管有神经影像和神经生理学工具的辅助,但从临床病因和行为表现出发进行精确的维度分层仍然困难。因此,本研究提出一种创新方法,将CRS-R评分降维至两个由数据驱动的核心维度,旨在将复杂的行为特征谱分解为更基础的“意识”和复合的“觉醒/运动功能”成分,从而更清晰地评估患者缺陷,为靶向干预提供基础。
材料与方法
研究对象与数据收集
这项回顾性研究分析了2018年1月至2021年12月期间在中国人民解放军总医院第七医学中心意识障碍科收治的患者。纳入标准包括:符合慢性DoC诊断、神经功能在入组前3个月无显著进展、并获得知情同意。本研究共纳入六个数据集,其中一个为来自本中心的测试集(124名患者),另外五个为来自2014年至2020年间已发表文章的多中心验证数据集(总计420名患者)。基线变量包括年龄、性别、病因和行为学评估[昏迷恢复量表修订版中文版评分]。CRS-R评估考虑了患者一周内三次测量的最高值作为其意识水平。
CRS-R结构的两维降维
本研究使用非负矩阵分解(Non-negative Matrix Factorization, NMF)来分析CRS-R的数据结构,并特别采用了投影非负矩阵分解(Projective Non-negative Matrix Factorization, PNMF)方法。PNMF能将高维非负数据投影到由非负基张成的低维子空间,其优势包括参数少、计算复杂度低、泛化性好、组件稀疏且具有一定正交性,尤其适用于高维数据的聚类。考虑到二维表示便于可视化和临床解释,本研究将PNMF的组件数设置为两个,从而用两个组件来近似原先需要六个维度表示的DoC患者CRS-R评分数据。
用于诊断的逻辑回归模型
为了基于两个提取的维度建立VS和MCS之间的诊断边界,我们使用R软件中的glm函数训练了两个逻辑回归模型(每个维度一个)。从模型系数中推导出决策边界(二维空间中的垂直和水平阈值)。使用准确度、精确度、召回率和F1分数在验证集上评估组合二维分类器的性能,并与每个单一维度的诊断性能进行比较。
两维降维对DoC诊断可用性的验证
为了验证该模型对DoC诊断的可用性,本研究将二维投影矩阵应用于先前文献中报告的DoC患者的CRS-R评分。我们审查了大量文献,发现五篇文章提供了其涉及的所有六项CRS-R子量表分数。这些来自欧洲或亚洲不同医疗中心的研究共包括362名DoC患者。
统计分析
使用R软件进行数据统计和分析。连续变量根据方差齐性检验结果,以均值±标准差或中位数(四分位距)表示,并采用卡方检验或双向重复测量方差分析。p< 0.05被认为具有统计学显著性差异。
结果
研究人群
这项多中心研究共纳入486名意识障碍患者,其中训练集124人,验证集420人。总体人群平均年龄为45.8 ± 16.4岁,男性占主导地位(62.3%)。各队列在病因分布上略有差异:缺氧性脑损伤(0%–41.4%)、卒中(25.6%–34.7%)和创伤性脑损伤(21.2%–74.4%)。诊断分布差异显著:植物状态/无反应觉醒综合征在基线评估中占36.9%–98.3%,而微意识状态的患病率在1.7%到61.5%之间。验证队列中出现了更高比例的微意识状态转归病例(最高达22.1%),而训练集中未识别出此类病例。
DoC患者CRS-R评分的非负矩阵分解
对来自本中心的124名DoC患者,我们应用PNMF对CRS-R的六个子量表评分进行分解。得到的两个主要成分公式显示,Consciousnessx主要由视觉和听觉子量表的权重主导,这是意识的核心指标,因此被临床解释为“意识”维度。Consciousnessy则主要由运动、觉醒和口部运动子量表的权重主导,代表了一个复合的“觉醒/运动功能”维度。视觉子量表在Consciousnessx中的高权重(0.895)表明,在我们的数据集中,视觉域的行为反应是区分该数据驱动模型所捕捉的“意识”水平最敏感、最具判别性的单一指标,这可能归因于视觉行为(如视觉追踪和注视)在CRS-R中评估相对客观且可重复性高。
基于上述公式计算患者在新组件下的得分,结果可视化显示,MCS患者主要占据图表的右上区域,而VS患者主要位于左下区域。
训练数据集中意识与觉醒/运动功能维度的分类统计
决策边界如图所示。该模型表现出高准确度(0.98)、精确度(0.99)和召回率(0.98),表明其在区分VS和MCS两种状态方面具有强大性能。MCS患者在两个组件上的中位数和分布范围均显著高于VS患者。
验证数据集中意识与觉醒/运动功能维度的分类统计
将上述公式应用于多个独立验证数据集的患者CRS-R子量表,结果显示这种表示方法能有效聚类不同诊断类别的DoC患者。来自这些研究的汇总验证数据表现出高准确度(0.94)、精确度(0.92)和召回率(0.99),进一步证实了我们方法的稳健性。统计分析显示,Consciousnessx和Consciousnessy维度在微意识状态转归组中均显著高于MCS组(p< 0.05),在MCS组中显著高于VS组(p< 0.05)。
误分类的解释
尽管总体准确度高,但仍有一些患者被误分类。详细检查这些病例发现,所有29名被误分类患者的原始CRS-R总分都集中在4-9分的“灰色区域”。这强有力地证明,传统方法诊断错误的主要来源就在于这个模糊的分数区间,其中总分相似但子量表特征谱迥异(例如高听觉/低视觉 vs. 低听觉/高视觉)的患者被混为一谈。我们的两维模型通过解构意识(Consciousnessx)和觉醒/运动功能(Consciousnessy)的潜在贡献,直接解决了这一局限,从而在这个有问题的范围内提供了更细粒度的区分,解决了传统一维总分方法固有的模糊性问题。个别病例呈现了不可能或可能性极低的组合,提示评估和解释过程中可能存在错误。
讨论
我们的研究通过将CRS-R评分降维至两个主要维度:觉醒/运动功能和意识,引入了一种评估DoC患者的新方法。这种两维降维将传统复杂的六维评估简化为一个更符合临床直觉的两维模型。该模型作为一种补充工具,在保持原始CRS-R诊断准确性的同时,提供了意识和觉醒/运动功能相对损伤的定量特征谱,从而可能增强表型区分并为个体化治疗策略提供信息。提取的这些维度基于已确立的意识神经科学基础。
本研究的核心进展是提供了一个连续的、两维的坐标系,作为对分类CRS-R诊断的补充。该模型优于仅依赖CRS-R总分或单一维度的诊断方法,证明将意识与觉醒/运动功能解耦可以捕捉到非冗余的、具有临床意义的变异。
通过使用PNMF,我们的方法旨在将多维CRS-R数据分解为两个不同的组件。研究结果表明,两维模型能够将患者有效分离到四个象限,每个象限代表不同的临床特征谱。象限边界由每个维度上VS/MCS的诊断阈值定义,从而创建了一个表型图谱而非任意划分。第三象限患者表现出较差的觉醒和意识,符合VS的特征。相比之下,第一象限患者表现出较高的两个维度水平,接近有意识状态,提示为MCS或更好。第二象限包括意识良好但觉醒较差的患者,而第四象限包含觉醒良好但意识有限的患者,两者都需要专门的临床关注。通过这种方法,我们提出了一个更具针对性的评估模型,通过清晰描绘患者评分中觉醒和意识的贡献,可能潜在地提高诊断准确性和治疗相关性。
基于两维空间,我们进一步推导出一个假设性的四象限干预框架,以生成结构化的临床假设。例如,第一象限(高意识/高觉醒)可能优先考虑认知康复,而第四象限(高觉醒/低意识)可以针对感觉运动整合。至关重要的是,这种治疗映射是理论推导,其临床疗效和预测价值需要在干预性研究中进行前瞻性验证。
误分类分析提供了关键见解。被误分类的患者其原始CRS-R总分均集中在4-9分“灰色区域”,这强烈证明了传统方法诊断错误的主要根源在于此模糊区间。我们的两维模型通过解构意识和觉醒/运动功能的潜在贡献,直接解决了这一局限性。
我们方法的主要优势在于其简单性和清晰性,使临床医生更容易在实践中理解和应用。PNMF模型在区分VS和MCS方面的高准确度凸显了其作为可靠诊断工具的潜力。
然而,本研究有几个局限性需要考虑。首先,训练数据集中不包含微意识状态转归病例。虽然模型在独立验证集中展示了区分eMCS与MCS和VS的能力,但其构建并未纳入意识恢复的完整表型谱。这种缺失可能影响模型区分高级别MCS和eMCS之间细微差异的精度,未来的迭代应在包含整个DoC连续体的数据集上进行训练。其次,该研究是回顾性而非前瞻性设计。第三,样本量虽经多中心验证,但仍属中等。在未来研究中,我们计划招募更多患者(特别是微意识状态转归患者),并结合先进的成像技术和电生理技术进行前瞻性设计,以增强我们对意识和觉醒/运动功能维度时间动态的理解。
结论
本研究表明,沿着觉醒和意识这两个连续维度来表示CRS-R评分,能够在保持诊断准确性的同时,显著提高对意识障碍状态的临床区分能力。所建立的四象限模型不仅解决了传统CRS-R评分中边界病例固有的分类模糊性问题,更重要的是,它提出了一个有理论依据、临床可操作的干预框架,值得进行前瞻性验证。