급성 의식소실(LOC)의 감별진단은 비경련성 지속뇌전증, 대사성 뇌병증, 벤조디아제핀 중독과 같은 서로 다른 원인들 사이에서 임상 양상이 유사하더라도 원인별로 서로 다른 치료 전략이 필요하므로 매우 중요하다. LOC의 병태생리에서 기능 연결성(FC)의 변화는 핵심적인 역할을 하지만, 각 LOC 원인에 특이적인 독특한 FC 변화 양상을 특징으로 하는 감별진단 인공지능(AI) 모델을 개발하려는 노력은 부족하였다. AI 모델을 위한 특징을 추출하기 위해 세 가지 접근법을 적용하였다: 3차원 FC 인접행렬, 벡터화된 FC 값, 그리고 그래프 이론적 측정치이다. 분류 정확도를 비교하기 위해 전기뇌파검사(EEG) 데이터를 서로 다른 epoch 크기로 사용하여 합성곱신경망(CNN)과 다양한 기계학습 알고리즘을 적용하였다. FC 인접행렬을 사용한 CNN 모델이 AUC 0.905로 가장 높은 정확도를 보였으며, 서로 다른 LOC 원인을 분류하는 데 최적의 조건은 20초(epoch) 데이터였다. 이 CNN 모델의 높은 정확도는 전향적 코호트에서도 유지되었다. LOC 원인들 간의 주요 구별 특징은 델타 및 세타 뇌파 대역에서 발견되었다. 본 연구는 LOC의 기저 메커니즘에 대한 이해를 진전시키며, 진단과 치료 선택의 향상에 대한 가능성을 보여준다. 또한 AI 모델은 20초 epoch에서 비교적 소량의 EEG 데이터만으로도 정확한 LOC 감별을 제공할 수 있어 임상적으로 유용할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.