Contexte: L'évaluation des patients inconscients après un arrêt cardiaque se fait selon une approche multimodale, comprenant un EEG effectué durant les premières 72 heures après l'arrêt cardiaque, et vise à identifier les patients avec un pronostic défavorable. Dans ce contexte, l'interprétation de l'EEG est orientée vers la recherche d'éléments associés avec un mauvais pronostic (tracés EEG qualifiés de « malin » ou « hautement malin »), avec une bonne sensibilité pour détecter les tracés pathologiques « hautement malin », mais médiocres pour détecter les tracés « bénins », qui pourraient être associés à un pronostic favorable. Une partie des éléments utilisés pour identifier des tracés malins (tracés avec activité discontinue, période de suppression, bas-voltage, ou encore inversion du gradient d'amplitude antéro-postérieur) est fortement influencée par la sédation, qui est presque un entablement administré dans la partie initiale d'un séjour aux soins intensifs.
Enjeu et but du travail : Nous avons procédé à établir une classification modifiée, en changeant l'attribution de la qualification de « malin » aux tracés présentant les éléments cités ci-dessus, influençables par la sédation, en l'absence d'autres éléments caractéristiques pour un tracé malin. Cette démarche a été effectuée dans le but de permettre une meilleure identification des tracés à sociable avec un pronostic favorable, et ceci sans être parasité par la sédation. Une amélioration de l'identification de ces cas permettrait effectivement de justifier une attribution de ressources limitées (contexte de soins intensifs) et coûteuses. Afin d'évaluer l'impact de cette classification modifier, nous avons, nous avons procédé à une analyse du registre prospectif des arrêts cardiaques communs au service de neurologie et de soins intensifs du CHUV, comparant ainsi la performance de la classification initiale et de la classification modifiée.
Conclusion : La modification de la définition des tracés « bénins » et « malins » (définition de tracé « hautement malin » inchangée) nous a permis d'identifier avec une sensibilité accrue (et ce uniquement en utilisant l'EEG) les patients avec un pronostic favorable (corrélé à une meilleure évolution clinique, évaluée par la « Cerebral Performance Category », et ce avec une diminution non significative de la « Positive Predictive Value ».
Perspectives : Cette amélioration, si intéressante scientifiquement en raison du peu d'études démontrant à l'heure actuelle les éléments EEG prédictifs d'un bon pronostic, la majorité de la littérature se concentrant sur l'identification des patients avec un pronostic défavorable, nous sommes toutefois conscients de la nécessité de valider nos résultats sur une cohorte externe, afin d'identifier d'éventuels biais propres à notre cohorte, avant que nos constatations ne puissent être généralisables.
--
Aim: The current EEG role for prognostication after cardiac arrest (CA) essentially aims at reliably identifying patients with poor prognosis (”highly malignant” patterns, defined by Westhall et al. in 2014). Conversely, “benign EEGs”, defined by the absence of elements of “highly malignant” and “malignant” categories, has limited sensitivity in detecting good prognosis. We postulate that a less stringent “benign EEG” definition would improve
sensitivity to detect patients with favorable outcomes.
Methods: Retrospectively assessing our registry of unconscious adults after CA (1.2018–8.2021), we scored EEGs within 72 h after CA using a modified “benign EEG” classification (allowing discontinuity, low-voltage, or reversed anterio-posterior amplitude development), versus Westhall’s “benign EEG” classification (not allowing the former items). We compared predictive performances towards good outcome (Cerebral Performance
Category 1–2 at 3 months), using 2x2 tables (and binomial 95% confidence intervals) and proportions comparisons.
Results: Among 381 patients (mean age 61.9 ± 15.4 years, 104 (27.2%) females, 240 (62.9%) having cardiac origin), the modified “benign EEG” definition identified a higher number of patients with potential good outcome (252, 66%, vs 163, 43%). Sensitivity of the modified EEG definition was
0.97 (95% CI: 0.92–0.97) vs 0.71 (95% CI: 0.62–0.78) (p < 0.001). Positive predictive values (PPV) were 0.53 (95% CI: 0.46–0.59) versus 0.59 (95%
CI: 0.51–0.67; p = 0.17). Similar statistics were observed at definite recording times, and for survivors.
Discussion: The modified “benign EEG” classification demonstrated a markedly higher sensitivity towards favorable outcome, with minor impact on PPV. Adaptation of “benign EEG” criteria may improve efficient identification of patients who may reach a good outcome.