儿童神经功能的多模态监测临床应用与研究进展总结2026

儿童神经功能的多模态监测临床应用与研究进展总结2026儿童神经重症是儿科重症医学的重要分支，近年来发展迅速。随着监测手段的不断进步，该领域正从“经验观察”转向“数据驱动”。因此，实施精准、实时的神经功能监测，对于早期识别脑损伤、指导治疗和评估预后至关重要。但低龄儿童难以有效表达不适，神经功能异常缺乏典型表现，传统神经系统查体、影像学及实验室检查作用有限或滞后

[

1]。脑电图（electroencephalogram，EEG）、近红外光谱（nearinfraredspectruminstrument，NIRS）等单一监测技术只能捕捉脑功能的片段化信息，难以完整反映脑损伤病理生理过程

[

2]。多模态神经监测（multimodalityneuromonitoring）通过整合临床评估、实验室生物标志物及神经影像学，同步采集并整合脑电、脑血流、脑氧、脑代谢及颅内压等多维度生理数据，借助神经血管耦合机制实现功能互补，从而更系统地揭示神经功能状态与病理生理机制的关系

[

3-4]。该模式正在推动儿童神经监护从被动响应警报向基于生理参数变化的主动预测和干预转变。目前，多模态监测已应用于创伤性颅脑损伤（traumaticbraininjury，TBI）、围手术期脑保护、脑死亡评估以及神经发育障碍评估等临床场景

[

5-7]。本文围绕儿童神经功能多模态监测领域的理论基础、核心技术、生物标志物、影像学定位、临床适用场景、数据整合挑战及未来发展方向进行阐述，供临床实践与科学研究参考。1神经功能多模态监测的理论基础与技术体系1.1生理学基础神经功能的正常维持，有赖于脑电活动、代谢需求、血流及结构完整性等多因素的协同。其中，神经血管耦合是连接神经元兴奋与局部脑血管应答的关键机制，确保活跃脑区获得充足的氧气和葡萄糖

[

8]。在儿童群体中，该机制随年龄动态变化，发育期大脑代谢需求高，但能量储备有限，对缺氧、缺血尤为敏感

[

9]。一项针对睡眠中癫痫性电持续状态患儿的研究显示，经颅多普勒超声（transcranialDopplerultrasound，TCD）与视频脑电图同步监测，可清晰地捕捉到非快速动眼睡眠阶段的脑血流动力学改变，且发现发作间期痫样放电频率与认知损害相关

[

10]。儿童脑电活动与脑血流耦合可在临床被检测。多模态监测平台正是基于脑血流-脑电-脑氧-脑代谢耦联，从多维度解读脑功能状态。这一发育特点构成了儿科神经功能多模态监测区别于成人的重要生理基础。1.2多模态监测框架与核心技术多模态神经监测并非多种技术的简单叠加，而是按数据来源分为四个层次有序整合

[

3-4]：（1）临床评估；（2）脑损伤标志物实验室检查；（3）头颅影像学；（4）设备监测。各维度数据同步或互补采集，通过神经血管耦合实现信息融合，为个体化神经保护决策提供依据。设备监测层面，儿童神经功能多模态监测平台常用技术包括连续脑电图（continuouselectroence-phalogram，cEEG）、NIRS、TCD、颅内压（intracranialpressure，ICP）监测、诱发电位（evokedpotentials，EPs）、脑组织氧分压（braintissuepartialpressureofoxygen，PbtO₂）及脑微透析等。cEEG主要用于诊断癫痫发作（尤其是非惊厥发作）及评估背景脑电活动

[

11-12]。NIRS通过持续采集局部脑组织氧饱和度（regionalcerebraloxygensaturation，rScO₂），动态反映脑氧供需平衡状况

[

13]，并为脑电图异常提供代谢层面的鉴别依据，例如EEG呈抑制状态时，若rScO₂正常，提示药物作用可能性较大；若rScO₂显著下降，则优先考虑缺血

[

14]。TCD用于评估脑血流动力学、识别血管痉挛以及判断脑血管自动调节能力

[

15]。ICP是TBI管理核心，指导脑灌注压（cerebralperfusionpressure，CPP）的维持，预防继发性脑损伤

[

16]。PbtO₂直接反映脑组织局部氧分压，脑微透析定量检测脑细胞外液代谢物浓度（葡萄糖、乳酸、丙酮酸、谷氨酸及甘油等），反映脑组织的能量代谢状态（如乳酸/丙酮酸比值）、缺血缺氧程度（谷氨酸升高）及细胞膜完整性（甘油升高），两者共同构成脑氧合-代谢耦联监测的核心

[

17-18]，均为有创检查，在成人神经重症中已有应用

[

19]，儿童领域虽有零星报道，但总体处于探索阶段

[

20]。EPs包括体感诱发电位和运动诱发电位等，可评估特定神经传导通路的完整性，短潜伏期体感诱发电位适用于镇静药物干扰下无法完成临床脑干反射检查者，其皮层电位波形成分缺失在心脏骤停后昏迷患者预后评估中特异度极高

[

21-22]，已被多个国家指南推荐为脑死亡确认试验之一

[

23]。儿童体感诱发电位波形随年龄逐渐成熟，尚无统一判断阈值，须结合年龄匹配的正常参考值。运动诱发电位在术中监测运动通路完整性已成为高等级证据推荐

[

24]。临床根据需求灵活整合上述技术，综合判断中枢神经系统功能状态，指导临床决策。1.3脑损伤生物标志物生物标志物通过血液/脑脊液中的特异性蛋白分子客观反映脑损伤，不受镇静药物干扰，是多模态监测分子层的重要数据源。神经元特异性烯醇化酶（neuron-specificenolase，NSE）在恢复自主循环后48~72h达到预测峰值，预后不良阈值>60μg/L

[

22]；神经丝轻链（neurofilamentlightchain）不受溶血干扰，恢复自主循环后24h内预测价值较高（受试者工作特征曲线下面积>0.90），灵敏度优于NSE

[

25]；胶质纤维酸性蛋白（glialfibrillaryacidicprotein）及泛素羧基末端水解酶L1联合检测可进一步提高预测准确性

[

26]。需指出的是，上述血清标志物的预测价值主要基于成人证据。美国心脏协会指南指出，在成人自主循环恢复后72h内，NSE水平正常提示预后良好，高水平则提示预后不良

[

27]；而儿童神经元生物标志物（S100β、NSE等）对良好/不良神经预后的预测价值尚不确定。目前脑损伤生物标志物在儿科应用中仍面临年龄分层参考值缺失等挑战，亟需更多高质量儿童研究。1.4神经影像学在多模态监测中的定位神经影像学为多模态监测提供脑解剖结构层面的关键信息。头颅CT是PICU患儿脑损伤的首选初筛工具；CT上灰质/白质密度比值≤1.5对不良神经功能预后的预测特异度达100%

[

28]。低磁场便携式MRI可在ICU床旁完成检查，避免患儿转运风险

[

29]；弥散加权成像的表观弥散系数（apparentdiffusioncoefficient，ADC）值可定量评估脑组织细胞毒性水肿程度，ADC值降低区域与不良神经预后密切相关

[

30]，为脑损伤的早期影像学判断提供了类似灰白质比值的定量指标。影像学为生理参数提供解剖定位：rScO₂下降需结合CT/MRI排除脑梗死或出血

[

31]；cEEG周期性放电可经MRI弥散加权成像确认对应缺血性病变

[

32]，这种生理-解剖融合分析是多模态监测的高级应用形式。1.5多模态监测衍生参数及其临床意义多模态监测的衍生参数是从原始监测信号中经算法计算得出的高维度指标，可提供超越单一参数的病理生理信息。（1）脑血管压力反应性指数（pressurereactivityindex，PRx）通过ICP与动脉血压慢波波动的相关性，连续量化脑血管自动调节功能。PRx>0.2~0.3时提示自动调节功能受损，与不良预后显著相关

[

33]。一项纳入196例重度TBI儿童的研究显示，PRx预测病死率受试者工作特征曲线下面积达0.91，阈值0.25，关联独立于ICP、CPP、格拉斯哥昏迷评分及年龄

[

34]。（2）最佳脑灌注压（optimalcerebralperfusionpressure，CPPopt）基于PRx与CPP之间的U形关系曲线，可确定每个患者个体化的CPP值，从而避免过高或过低灌注所致的继发性脑损伤

[

33-34]。（3）脑氧合指数利用NIRS测得的rScO₂与平均动脉压的相关性，从氧代谢角度评估脑血管自动调节功能

[

35]。儿童TBI中，PRx及脑氧合指数的异常升高均与不良神经预后独立相关

[

34]。这些衍生参数的临床应用为个体化治疗提供了新的定量工具。2神经多模态监测的临床应用：从早期预警到预后评估无论采取何种监测技术组合，其临床价值的最终落脚点都在于能否准确反映并干预脑血流-电-氧-代谢耦联环路上的某一环节失衡。2.1早期预警与病情监护cEEG是PICU识别非惊厥性癫痫发作的主要工具，可捕捉爆发抑制、周期性放电等异常脑电模式。若持续的痫样放电未被干预，会加重继发性脑损伤；标准化的cEEG流程有助于减少干预延迟

[

36]。一项纳入184例神经系统高危患儿（包括急性脑病、癫痫持续状态、TBI及缺氧缺血性脑病等）的回顾性研究显示，cEEG亚组电发作检出率达20.5%，22例电发作患儿中有17例根据cEEG调整了抗癫痫治疗方案，5例（2.7%）非惊厥性发作被首次识别

[

37]，体现了连续监测对治疗决策的指导价值。NIRS除可监测复苏后等病理状态下的脑氧合恢复情况

[

38]，还可实时监测肠、肾及肌肉等局部氧合，有助于早期识别灌注不足。有研究发现，脑和肾局部氧饱和度均值<65%时，其预测血乳酸>3mmol/L的灵敏度和特异度分别为95%和83%，且提示全身性低灌注

[

39]。儿童ICP持续>20mmHg（1mmHg=0.133kPa）时，需警惕脑疝。在TBI的神经重症监护中，CPP由平均动脉压和ICP直接决定，其管理是预防继发性脑损伤的核心。然而，CPP的自动调节最佳范围尚不明确。PRx通过分析ICP与动脉血压波动的相关性，可连续评估脑血管的自动调节功能，PRx升高提示自动调节失代偿

[

33]。将ICP、脑血流、cEEG等指标相结合的多模态监测策略，有助于评估重度TBI患儿的脑功能状态，从而更有效地控制颅内高压、减轻继发性脑损伤、改善神经功能预后。此外，EPs，尤其是短潜伏期体感EPs，在脑死亡判定中可作为确认试验，辅助临床确立不可逆性全脑功能丧失的诊断

[

23]。2025年一项针对中国ICU心脏骤停后脑损伤患者的调查显示，目前国内无创多模态监测虽已逐步推广，但各中心在设备配置、操作规范和培训体系方面差异显著，缺乏统一的标准

[

40]，提示多模态监测在儿童神经重症的推广需先建立包括设备配置标准、操作规范及数据解读流程在内的标准化路径，并配套系统的专科化培训体系。2.2指导治疗决策cEEG可利用爆发抑制比率、α变异指数等量化指标评估镇静深度并指导抗癫痫治疗。实时监测可指导动态调整镇静药量，减少药物相关不良事件

[

41]。当全通道监测受限时，振幅整合脑电图可作为简化方案，通过背景模式评估脑功能与预后

[

42]。在液体管理方面，正性液体平衡与不良神经系统预后存在关联

[

43]；监测ICP与脑血管自动调节功能可评估液体负荷对脑血流动力学的影响，避免液体超负荷，为液体输注决策提供依据

[

43]。针对严重TBI患儿，结合连续ICP/CPP监测、CT影像及cEEG的综合策略，有助于早期识别非惊厥性癫痫发作及继发性脑损伤风险，指导个体化抗癫痫治疗与神经保护干预

[

44]。以PRx/CPPopt为导向的脑灌注管理，可根据脑血管自动调节状态实时调整CPP目标，实现“个体化”而非“固定阈值”的治疗

[

33-34]。儿童脑功能区肿瘤手术中，术中影像导航与神经电生理监测等技术的闭环整合，可实现精准定位与最大限度的功能保护

[

45]。2.3预后判断多模态监测指标可用于判断儿童神经重症的预后。非反应性、爆发-抑制和缺乏睡眠结构等EEG模式提示不良神经认知预后

[

46]；心脏骤停后24h内出现等电位EEG，对6个月不良结局（如持续植物状态/死亡）具有较高的预测价值

[

47]，也有助于预测急性缺氧性昏迷患者1年后死亡、持续植物状态、微意识状态或严重神经功能障碍等

[

48]。在体外膜肺氧合（extracorporealmembraneoxygenation，ECMO）支持下，cEEG同样具有预后判断价值：ECMO后最初24h内，非存活者呈现爆发抑制、衰减/无特征、缺乏变异与反应性等不利脑电图背景，与院内及ECMO期间病死率显著相关；联合ECMO上机前2h的pH值和乳酸水平，不良预后的预测受试者工作特征曲线下面积可提高至0.80~0.85

[

49]。一项纳入143例体外循环下行先天性心脏病修补术患儿的研究显示，术前基线ScO₂<50%与围术期死亡风险增加显著相关

[

50]。此外，一项纳入11例复苏后非创伤性缺氧缺血性脑损伤患儿的前瞻性观察性试点研究发现，脑血管自动调节功能受损（PRx≥0.2）持续时间越长，神经系统结局越差，且PRx与3个月格拉斯哥结局评分显著相关

[

49]。另一项针对21例重型TBI患儿的前瞻性盲法观察性试点研究亦显示，PRx与生存相关，并指出PRx具有CPP依赖性，可作为指导儿童TBI后个体化CPP目标的参考指标

[

51]。多模态监测有助于识别远期认知功能障碍的高风险患儿，从而指导早期干预决策及个体化康复方案的制定。3多模态监测实施中的挑战与未来方向3.1技术整合与标准化难题多模态监测在儿童神经重症领域的应用日益广泛，但推广中仍面临技术整合与标准化挑战。不同监测设备的数据接口、采样频率及报警阈值常不一致，导致多模态数据融合耗时且易受干扰。例如，EEG、NIRS和ICP监测等来自不同厂商，数据格式和同步机制各异，实时整合分析困难。为应对该问题，需开发统一的集成平台，支持数据同步采集与自动解析。此外，儿童群体的特殊性增加了标准化的难度：不同年龄段儿童的颅骨厚度与脑发育水平差异明显

[

52]，而现有设备多基于成人数据设定参数，缺乏针对特定儿童人群的参考标准，这可能导致误报警或漏判。例如，对婴幼儿进行EEG判读时，若不考虑其独特的脑电发育模式，极易误诊

[

53]。因此，建立适用于不同年龄段儿童的标准化监测参数与报警阈值，是提升多模态监测准确性与可靠性的关键。3.2数据分析与临床决策支持系统的构建面对海量连续的多模态数据，传统的人工分析已难以胜任。人工智能算法（如深度学习、随机森林等）能从复杂数据中识别出肉眼难以察觉的模式，用于早期预警、治疗靶点优化及预后判断。例如，基于定量脑电图（quantitativeelectroencephalography，qEEG）特征的随机森林模型可有效预测儿童心脏骤停后12个月的生存情况

[

54]；利用164个qEEG特征的数据驱动模型在神经功能预后预测上优于传统模型

[

55]。但人工智能模型在临床的应用仍有障碍：高质量标注数据成本高且隐私受限；深度学习模型的可解释性不足，临床医生难以理解其决策依据

[

56]。因此，开发可解释人工智能及可视化决策界面，将算法输出与生理机制解释相融合，是提升临床接受度与实用性的关键。除数据分析外，数据的远程传输同样制约着多模态监测的推广。具备多模态数据解读经验的专科医师多集中于大型医疗中心，基层医院可能面临复杂数据解读经验不足、需要外部专家支持的情况。如果能将ICU中的多模态数据实时传输至上级医院的专家团队，就能突破时空限制，提升诊疗水平。但远程传输在实际应用中面临网络稳定性和数据安全性等问题，尚难以大规模应用。但随着5G网络的普及和床旁数据预处理