综述｜围术期脑电监测预测术后谵妄的研究进展

珍稀动物保护日

珍爱动物 人人有责

珍稀动物保护日

珍爱动物 人人有责

微信号：135editor

新浪微博：@135编辑器

冬日微醺

微 信 号：135editor

新浪微博：@135编辑器

微信号：135editor

新浪微博：@135编辑器

围术期脑电监测预测术后谵妄的研究进展

肖春娅 王彬

重庆医科大学附属第一医院麻醉科

通信作者：王彬

Email: 774935778@qq.com

基金项目：重庆市自然科学基金面上项目 （CSTB2022NSCQ-MSX0061）；重庆市科卫联合医学科研项目（2018GDRC009）；重庆医科大学附属第一医院院级研究生导师团队建设项目（CYYY-DSTDXM202501）

【摘要】术后谵妄（POD）作为老年患者围术期严重的中枢神经系统并发症，可显著增加患者死亡率、认知功能障碍及社会医疗负担。近年来，脑电监测因其无创性及高时间分辨率，已被拓展应用于围术期全程的POD预测与干预体系构建。本文系统总结了围术期各阶段脑电图(EEG)特征演变规律，揭示其与POD发生的强相关性，探讨了基于脑电信号衍生参数的EEG引导麻醉深度管理对POD发生率的降低效应。本文通过整合围术期脑电监测的最新进展，为构建基于多模态EEG参数的POD预测模型及制定分层干预策略提供参考。

【关键词】脑电图；谵妄；围术期；麻醉深度监测；预测因子

术后谵妄（postoperative delirium， POD）多发生在术后1周内，其主要表现为急性发作和病情波动、注意力不集中、意识水平紊乱和认知功能减退［1］。流行病学数据显示，接受大型手术的老年患者中POD发生率高达10%～50%，且与术后死亡率升高、住院时间延长及远期认知功能衰退显著相关，已成为围术期管理的重大临床挑战［2］。目前POD的诊断主要依赖临床评估工具如意识模糊评估表等，但此类方法存在主观性强、时效性不足的局限性，难以满足早期预警及精准干预的需求［3］。近年来， 脑电图（electroencephalogram， EEG）通过实时捕捉神经电生理活动的动态变化，为POD的病理机制研究提供了独特的神经电生理学视角，并逐步成为该领域的重要研究工具。本文基于围术期全程视角，从术前、术中、麻醉苏醒期及术后监测四个阶段，系统阐述EEG特征演变规律对POD的预测价值，旨在为优化围术期脑功能保护策略提供参考。

脑电基础概要

EEG作为一种非侵入性脑活动成像技术，通过头皮电极阵列记录大脑皮层椎体神经元突触后电位的综合电流活动，能够实时、动态地反映中枢神经系统功能状态。EEG信号按频率可分为多个频段，各频段与特定生理或病理状态密切相关［4］。δ波（0.4～4 Hz）：深度睡眠或脑损伤时增强，提示皮层抑制或代谢紊乱，例如谵妄时，δ波活动显著升高，可能反映神经元同步性紊乱或能量代谢失衡。θ波（4～8 Hz）：常见于儿童或成人困倦状态，与注意力分散及记忆功能相关，其过度活跃可能与认知功能减退或神经退行性疾病有关。α波（8～14 Hz）：在闭眼、静息状态下于枕叶区域优势表达，是大脑默认网络活动的标志，其功率降低与警觉性下降及注意力障碍显著相关，是POD的核心电生理标志之一。β波（14～30 Hz）：清醒时高频活动，与认知处理和外界响应相关，其功率动态变化是评估麻醉深度的关键指标。围术期通过量化EEG衍生参数（如BIS）可监测麻醉深度，最新指南［5］推荐使用基于指数的EEG监测指导麻醉管理，但单一参数解析能力有限，需结合术中多模态参数监测（如暴发抑制、密度谱阵列）可有助于降低POD风险。

术前脑电监测对术后谵妄的预测作用

术前脑电监测通过捕捉大脑基线神经电生理活动，能够客观反映患者的神经功能储备状态，这一特性使其成为围术期神经风险分层的重要工具，尤其在POD的早期预测具有独特优势。对老年患者术前前额区的静息EEG监测结果表明，静息脑电活动慢化与认知能力下降相关［6］。因此，术前EEG参数可作为传统认知筛查的补充工具，其优势在于量化评估神经电生理储备，并能在患者配合度低或筛查结果模棱两可时提供客观依据。目前与POD风险增加相关的术前EEG包括：（1）频谱边缘频率（spectral edge frequency， SEF）降低；（2）睡眠结构改变表现为总睡眠时间延长、非快速眼动（non-rapid eye movement， NREM）2期睡眠占比增加及睡眠效率提升；（3）α波段功率升高且α波段连接性增强；（4）中位主导频率（median dominant frequency， MDF）降低［7］。上述EEG特征与阿尔茨海默病、帕金森病等神经退行性疾病中观察到的“皮质-皮质下网络失同步”现象具有显著病理生理学重叠，这提示术前已存在的神经功能储备损伤可能通过放大手术应激反应，最终导致POD易感性增加。除此之外，POD患者的术前BIS显著低于非POD患者，其作为单一预测因子对POD的预测表现出高特异性，这提示术前BIS可作为一个临床上客观易得的预测指标，将术前BIS基线值与MMSE评分、贫血状态、血尿素氮及日常生活活动能力量表进行多维度整合，构建临床敏感性和特异性更高的POD预测模型［8］。机器学习（machine learning， ML）作为人工智能的核心分支，能够在不依赖显式编程的情况下自主从数据中学习规律，为EEG分析提供了新思路，而基于ML的模型在谵妄预测中也具有良好的应用潜力［9］。例如，一项研究［10］基于术前静息状态EEG模式构建机器学习模型，在独立验证队列中表现出较高的预测效能，特异性超过90%，敏感性超过80%，提示POD的患者可能存在术前未被察觉的神经生理易感性。在算法优化方面，采用ML方法识别关键变量用于预测退行性脊柱疾病患者的POD，共构建了9种不同的预测模型，其中，极限梯度提升算法模型性能最优，受试者工作特征曲线下面积达到0.928［11］。此外，将深度学习模型与EEG数据结合，在POD检测中实现了高达97%的准确率，有助于实施和评估个体化干预措施，早期检测与不良结果相关的脑功能障碍［12］。

术中脑电监测对术后谵妄的预测作用

近年来，许多研究团队探索了术中EEG与POD的关系，包括基于原始脑电图（raw EEG， rEEG）的时频分析和定量脑电图（processed EEG， pEEG）的衍生参数，探索其与POD的关联，主要从以下四个维度来探讨术中EEG对POD的预测及预防作用。

快波功率降低POD患者术中EEG可呈现特征性高频节律抑制现象，具体表现为α波和β波频段功率的显著衰减。在麻醉诱导后早期阶段（<1 min），POD患者即出现α波频率、峰值功率及β波功率均显著降低，同时伴随频谱边缘频率的降低，提示大脑皮层兴奋性整体受抑［13］。前额叶α节律通过抑制无关感觉输入维持注意力聚焦，其功率下降直接反映患者警觉性降低及认知控制功能受损。Gutierrez等［14］对重大腹部手术老年患者的术中EEG研究分析，POD患者的术中绝对和相对α波功率均显著低于未发生POD的患者，这种差异在麻醉维持期的多个时间点仍然存在。这表明术年龄和麻醉剂量后仍保持独立相关性，为预测POD提供了新的术中标志物［16］。这些结果提示，术中快波活动的动态监测可为早期干预POD提供“时间窗口”。除原始脑电波变化外，术中脑电图复杂性变化也有助于预测POD，根据术中提取的EEG非线性特征分析显示，低排列Lempel-Ziv复杂性指数是POD的独立危险因素，对POD具有中等预测作用［17］，这一结论可为EEG预测POD提供新的视角。

脑区功能连接减弱POD患者常表现出脑区功能连接的广泛降低。额叶-顶叶神经环路的功能连接减弱可能破坏多模态感觉信息的整合，导致定向力障碍及思维连贯性受损，而默认模式网络内聚性降低则与自我参照加工能力下降密切相关［18］。POD患者在静息态下α频段的功能连接强度较健康人群显著降低，尤以额叶-顶叶网络及默认模式网络的结构完整性受损最为突出，这种频段特异性改变可能通过干扰丘脑-皮层节律同步化机制，削弱大脑对复杂认知任务的调控能力［19］。这与既往研究［20］结论一致，POD的发生与大脑功能连接性的降低密切相关。另外，术中额-顶叶θ波连接发生率与POD呈正相关，在手术麻醉期间，θ波连接状态通过取代额叶α波连接状态进而影响认知功能，因此，前额-顶叶θ连接状态的存在和额叶α波连接性的缺失是POD的易感状态［21］。

暴发抑制暴发抑制发生常伴随α波和β波功率的进行性衰减，被视为是预测POD的脑电标志物之一［22］。近期一项纳入6 435例患者的荟萃分析［23］证实，术中暴发抑制发生与POD风险呈剂量依赖性关联，即术中暴发抑制的程度越高、单次暴发抑制的持续时间和累积持续时间越长，POD的发生率越高。而且在有暴发抑制发生的情况下，发生POD的相对风险会增加41%［24］。而一项大型随机对照试验［25］的结果却并不支持这一点，该试验旨在系统评估通过EEG监测指导麻醉药物用量、最大限度减少术中脑电抑制，从而降低高危手术老年患者术后谵妄的发生率，结果表明，通过EEG监测将暴发抑制时间从13 min缩短至7 min，而谵妄发生率仅从26%降至23%，差异无统计学意义。但该试验的中介分析表明，脑电抑制仍然可能与POD的发生有关［26］。因此，这些相互矛盾的研究结果提示进一步研究的必要性，未来需建立多模态监测体系，将暴发抑制特征与脑氧饱和度、血清神经元特异性烯醇化酶等参数进行动态融合分析，以实现个体化风险评估。

麻醉深度调控通过专业分析技术将复杂的EEG信号进行数据转换可得到一系列具有临床意义的量化指标，目前已衍生出BIS、Narcotrend指数（narcotrend index， NTI）、状态熵（state entropy， SE）及响应熵（responseentropy，RE）等多元监测体系。其中BIS是临床应用最广泛的监测工具，其核心优势在于对镇静深度的精准量化，而NTI虽在抗肌电干扰能力和经济性方面表现突出，但在麻醉深度判断的敏感性及特异性方面较BIS存在不足，少量研究显示其可降低患者术后认知功能障碍发生率，但缺乏大规模多中心研究，因果性研究不足［27］。熵指数（SE/RE）作为新型监测指标，与BIS具有相当的镇静水平，在POD预测中的潜力主要体现在其对术中脑电抑制和伤害性刺激的敏感性，然而，目前研究多聚焦于麻醉深度与POD的间接关联，缺乏直接验证熵指数预测效能的临床数据，且其监测效果易受麻醉药物种类、患者年龄等混杂因素影响［28］。全麻手术期间通过EEG引导麻醉来实时反馈麻醉深度，优化麻醉药物剂量，已成为降低POD风险的重要策略，尤其在老年非心脏手术领域已形成强证据支持。与常规护理相比，BIS组引导麻醉的谵妄患者较少，同时丙泊酚用量减少且缩短麻醉苏醒时间，提示基于pEEG引导的麻醉深度管理POD发生率更低［29］。针对高龄患者的临床数据更具说服力，大样本回顾性研究［30］（n=7 318）表明，≥75岁患者应用BIS监测后，POD发生率由5.10%显著降至1.56%。然而，EEG引导麻醉在心脏手术中的效果存在争议，对1 140例老年心脏手术患者的研究［31］显示，尽管EEG引导组显著减少了挥发性麻醉药用量（中位MAC 0.66 vs. 0.80）及脑电抑制时间（中位4 min vs. 11.7 min），但两组间POD发生率无显著差异（18.15% vs. 18.10%）。这些研究结果提示，EEG监测对非心脏手术、尤其是老年患者更具保护作用，这种矛盾可能源于心脏手术中体外循环对脑血流的影响，掩盖了EEG监测的保护作用，未来还需进一步分层研究验证。另外，随着个体化麻醉管理提出的高要求，术中准确监测麻醉深度手段显得尤为重要，最近有研究［32］表明可以使用ML脑电特征达到精准麻醉深度监测，该模型通过学习不同麻醉药物下大鼠的脑电活动，构建一个包含16维脑电特征值的数据集，最终发现该数据集表现出较高准确率的预测能力，可以识别和预测不同作用受体的麻醉药物及其相应的麻醉深度，为实现实时准确麻醉深度监测提供新的可能。

麻醉苏醒期脑电监测对术后谵妄的预测作用

POD患者在麻醉苏醒期可呈现多种特征性EEG模式，根据EEG苏醒轨迹可分为δ波主导型麻醉、纺锤波主导型麻醉及非慢波麻醉［33］。其中，δ波主导型麻醉状态与术后神经功能损伤密切相关，麻醉苏醒期缺乏α波优势活动的δ波主导型患者术后神经认知障碍风险显著增加，提示α波活动对大脑功能网络重建的关键作用［34］。麻醉苏醒期EEG功率变化趋势可作为POD风险的重要预测指标，总功率呈负斜率（随苏醒进程逐步下降）时POD发生率显著降低，而正斜率（逐步上升）则与风险增加相关。当α波与β波功率同时呈现负斜率时，患者发生POD的风险最低［33］。因此，基于上述特征，麻醉苏醒期脑电监测可为POD的早期预警及干预策略提供客观依据。

术后脑电监测对术后谵妄的预测作用

术后EEG频谱特征改变与POD严重程度存在独立关联，其预测效能显著优于传统炎症标志物，具体表现为术后δ波功率与POD严重程度呈剂量依赖性线性关联，即术后delta功率越强，POD严重程度越重［35］。系统分析总结出3类术后脑电特征与POD发生密切相关：清醒期δ波功率异常增强、清醒-睡眠状态转换期δ波节律紊乱以及全脑功能网络连接性破坏［7］。因此，术后EEG动态变化可整合代谢应激、神经炎症及神经递质系统失衡等多维度病理生理过程，为揭示POD的神经病理机制提供了关键窗口，其临床价值不仅体现在早期预警层面，更可通过特征性电生理标记物辅助明确POD亚型，从而建立客观的POD风险分层模型，对预测和辅助诊断POD具有重要作用。

小 结

POD是老年患者术后常见的严重并发症，其发生与围术期脑电信号特征密切相关，且导致死亡率升高、住院时间延长及长期认知功能衰退。因此，老年患者围术期的脑功能监测尤为重要。本综述系统阐明了老年患者围术期特征性脑电频谱变化对POD的预测价值，这些特定EEG模式不仅是POD发生的敏感预测指标，更是反映神经炎症级联反应与神经血管耦合机制障碍的动态生物标志物，为解析POD多因素病理机制提供可量化生物标志物。需强调的是，脑电监测的临床应用需综合考虑手术类型、患者基线脑功能状态及多中心协作，以实现个体化麻醉管理。未来研究应结合多组学技术与人工智能算法，深入挖掘EEG标记的生物学意义，并推动术中监测设备的智能化与便携化。通过多学科协作，EEG有望成为围术期脑功能保护的核心工具，最终改善患者术后生存质量。

参考文献略。

DOI:10.12089/jca.2026.02.013