{"id":{"repo_id":"tu-berlin","oai_identifier":"oai:depositonce.tu-berlin.de:11303/27230"},"canonical_url":"https://search.dev.ndltd.org/etd/tu-berlin/oai:depositonce.tu-berlin.de:11303/27230","repository":{"repo_id":"tu-berlin","name":"Technische Universität Berlin","base_url":"https://api-depositonce.tu-berlin.de/server/oai/request"},"display":{"title":"Predicting the risk for postoperative delirium using routine EEG monitoring data","abstract":"Postoperative delirium (POD) is a common complication in elderly surgical patients, causing prolonged hospitalization, cognitive decline, and increased institutionalization. Current prediction models often rely on demographic factors that lack sufficient granularity in age-homogeneous populations. We hypothesized that routine intraoperative EEG monitoring could detect underlying brain vulnerability patterns predictive of POD beyond clinical risk factors. We analyzed two cohorts of elderly patients from Charité Berlin: SuDoCo (n=1032, ≥60 years) and ePOD (n=263, ≥70 years), recorded 10 years apart with different anesthetic protocols. We developed a novel two-step burst suppression detection algorithm and extracted three EEG feature sets: burst suppression duration, power spectral densities, and signal covariances. Maintenance anesthetic choice created profound EEG differences that classifiers initially exploited as POD proxies rather than detecting genuine vulnerability. Training medication-specific models eliminated these pharmacological confounds. All three EEG features captured meaningful vulnerability patterns. The meta-classifier integrating all approaches achieved balanced accuracy of 0.691 (AUC: 0.759) on SuDoCo, with robust transfer to the demographically distinct and homogeneous ePOD cohort. Our findings demonstrate that EEG-based vulnerability markers add crucial discriminative power when demographic predictors fail, particularly in homogeneous elderly populations where age and clinical scores lack sufficient resolution.","abstract_html":"Postoperative delirium (POD) is a common complication in elderly surgical patients, causing prolonged hospitalization, cognitive decline, and increased institutionalization. Current prediction models often rely on demographic factors that lack sufficient granularity in age-homogeneous populations. We hypothesized that routine intraoperative EEG monitoring could detect underlying brain vulnerability patterns predictive of POD beyond clinical risk factors. We analyzed two cohorts of elderly patients from Charité Berlin: SuDoCo (n=1032, ≥60 years) and ePOD (n=263, ≥70 years), recorded 10 years apart with different anesthetic protocols. We developed a novel two-step burst suppression detection algorithm and extracted three EEG feature sets: burst suppression duration, power spectral densities, and signal covariances. Maintenance anesthetic choice created profound EEG differences that classifiers initially exploited as POD proxies rather than detecting genuine vulnerability. Training medication-specific models eliminated these pharmacological confounds. All three EEG features captured meaningful vulnerability patterns. The meta-classifier integrating all approaches achieved balanced accuracy of 0.691 (AUC: 0.759) on SuDoCo, with robust transfer to the demographically distinct and homogeneous ePOD cohort. Our findings demonstrate that EEG-based vulnerability markers add crucial discriminative power when demographic predictors fail, particularly in homogeneous elderly populations where age and clinical scores lack sufficient resolution.","abstract_has_math":false,"creators":["Röhr, Vera"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Blankertz, Benjamin"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-27T21:28:40Z","subjects":[],"languages":["en"],"rights":[],"rights_urls":["https://creativecommons.org/licenses/by/4.0/"],"identifier_entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://doi.org/10.14279/depositonce-26065"],"render_values":[{"text":"https://doi.org/10.14279/depositonce-26065","href":"https://doi.org/10.14279/depositonce-26065","code":true}]}]},"links":{"outbound_url":"https://depositonce.tu-berlin.de/handle/11303/27230","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Blankertz, Benjamin"]},{"key":"dc:creator","label":"Author","values":["Röhr, Vera"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-13T06:48:23Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-07-13T06:48:23Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:type","label":"Dc Type","values":["Doctoral Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["en"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://depositonce.tu-berlin.de/handle/11303/27230","https://doi.org/10.14279/depositonce-26065"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Postoperative delirium (POD) is a common complication in elderly surgical patients, causing prolonged hospitalization, cognitive decline, and increased institutionalization. Current prediction models often rely on demographic factors that lack sufficient granularity in age-homogeneous populations. We hypothesized that routine intraoperative EEG monitoring could detect underlying brain vulnerability patterns predictive of POD beyond clinical risk factors. We analyzed two cohorts of elderly patients from Charité Berlin: SuDoCo (n=1032, ≥60 years) and ePOD (n=263, ≥70 years), recorded 10 years apart with different anesthetic protocols. We developed a novel two-step burst suppression detection algorithm and extracted three EEG feature sets: burst suppression duration, power spectral densities, and signal covariances. Maintenance anesthetic choice created profound EEG differences that classifiers initially exploited as POD proxies rather than detecting genuine vulnerability. Training medication-specific models eliminated these pharmacological confounds. All three EEG features captured meaningful vulnerability patterns. The meta-classifier integrating all approaches achieved balanced accuracy of 0.691 (AUC: 0.759) on SuDoCo, with robust transfer to the demographically distinct and homogeneous ePOD cohort. Our findings demonstrate that EEG-based vulnerability markers add crucial discriminative power when demographic predictors fail, particularly in homogeneous elderly populations where age and clinical scores lack sufficient resolution.","Postoperatives Delir (POD) ist eine häufige Komplikation von Operationen älterer Menschen. Sie ist mit verlängerten Krankenhausaufenthalten, kognitivem Abbau und einem Verlust der Selbstständigkeit assoziiert. Aktuelle KI Modelle stützen sich häufig auf viele Daten altersgemischter Patienten. Die darauf trainierten Modelle können sich auf demografische Faktoren stützen, die für altershomogene Patientengruppen ungeeignet sind, da die Unterschiede zwischen Patienten, die Delir entwickeln und solchen, die es nicht tun, in altershomogenen Gruppen viel feiner sind. Um diese Unterschiede zu erkennen, haben wir EEG Monitor Daten genutzt, um auf Ihnen KI Modelle zu trainieren, unter der Hypothese, dass das EEG Vulnerabilitätsmarker enthält, die von einem Modell gelernt werden können. Dafür analysierten wir zwei Studien der Berlin: SuDoCo (n=1032, ≥ 60 Jahre) und ePOD (n=263, ≥ 70 Jahre) - Daten, die im Abstand von 10 Jahren mit unterschiedlicher zugrundeliegender Anästhesiepraxis erhoben wurden. Wir entwickelten einen neuen Algorithmus zur Schätzung von Burst Suppression und nutzten die Burst Suppression Dauer, das Spektrum und die Kovarianzen der EEG Daten als Grundlage für die Klasisifizierung. Die Wahl des Anästhetikums erzeugte ausgeprägte EEG-Unterschiede, die Modelle zunächst als Abkürzung ausnutzten, statt physiologische Anfälligkeit für Delir zu lernen. Durch das Training auf medikament-spezifischen Daten, konnte der Bias behoben werden. Alle drei EEG Merkmale erfassten prediktive Vulnerabilitätsmuster. Das Meta-Modell, welches die unterschiedlichen Ansätze der Arbeit vereint, erreichte eine balancierte Genauigkeit von 0,691 (AUC: 0,759) auf SuDoCo mit robustem Transfer auf die demografisch unterschiedliche und homogene ePOD-Kohorte. Unsere Ergebnisse zeigen, dass EEG-basierte Vulnerabilitätsmarker eine entscheidend feine Auflösung des Risikos abbilden, auch dann, wenn demografische Prädiktoren versagen, insbesondere in homogenen älteren Populationen."]},{"key":"dc:title","label":"Title","values":["Predicting the risk for postoperative delirium using routine EEG monitoring data"]}]}],"canonical_facts":{"dc:contributor.advisor":["Blankertz, Benjamin"],"dc:creator":["Röhr, Vera"],"dc:date.accessioned":["2026-07-13T06:48:23Z"],"dc:date.available":["2026-07-13T06:48:23Z"],"dc:date.issued":["2026"],"dc:description.abstract":["Postoperative delirium (POD) is a common complication in elderly surgical patients, causing prolonged hospitalization, cognitive decline, and increased institutionalization. Current prediction models often rely on demographic factors that lack sufficient granularity in age-homogeneous populations. We hypothesized that routine intraoperative EEG monitoring could detect underlying brain vulnerability patterns predictive of POD beyond clinical risk factors. We analyzed two cohorts of elderly patients from Charité Berlin: SuDoCo (n=1032, ≥60 years) and ePOD (n=263, ≥70 years), recorded 10 years apart with different anesthetic protocols. We developed a novel two-step burst suppression detection algorithm and extracted three EEG feature sets: burst suppression duration, power spectral densities, and signal covariances. Maintenance anesthetic choice created profound EEG differences that classifiers initially exploited as POD proxies rather than detecting genuine vulnerability. Training medication-specific models eliminated these pharmacological confounds. All three EEG features captured meaningful vulnerability patterns. The meta-classifier integrating all approaches achieved balanced accuracy of 0.691 (AUC: 0.759) on SuDoCo, with robust transfer to the demographically distinct and homogeneous ePOD cohort. Our findings demonstrate that EEG-based vulnerability markers add crucial discriminative power when demographic predictors fail, particularly in homogeneous elderly populations where age and clinical scores lack sufficient resolution.","Postoperatives Delir (POD) ist eine häufige Komplikation von Operationen älterer Menschen. Sie ist mit verlängerten Krankenhausaufenthalten, kognitivem Abbau und einem Verlust der Selbstständigkeit assoziiert. Aktuelle KI Modelle stützen sich häufig auf viele Daten altersgemischter Patienten. Die darauf trainierten Modelle können sich auf demografische Faktoren stützen, die für altershomogene Patientengruppen ungeeignet sind, da die Unterschiede zwischen Patienten, die Delir entwickeln und solchen, die es nicht tun, in altershomogenen Gruppen viel feiner sind. Um diese Unterschiede zu erkennen, haben wir EEG Monitor Daten genutzt, um auf Ihnen KI Modelle zu trainieren, unter der Hypothese, dass das EEG Vulnerabilitätsmarker enthält, die von einem Modell gelernt werden können. Dafür analysierten wir zwei Studien der Berlin: SuDoCo (n=1032, ≥ 60 Jahre) und ePOD (n=263, ≥ 70 Jahre) - Daten, die im Abstand von 10 Jahren mit unterschiedlicher zugrundeliegender Anästhesiepraxis erhoben wurden. Wir entwickelten einen neuen Algorithmus zur Schätzung von Burst Suppression und nutzten die Burst Suppression Dauer, das Spektrum und die Kovarianzen der EEG Daten als Grundlage für die Klasisifizierung. Die Wahl des Anästhetikums erzeugte ausgeprägte EEG-Unterschiede, die Modelle zunächst als Abkürzung ausnutzten, statt physiologische Anfälligkeit für Delir zu lernen. Durch das Training auf medikament-spezifischen Daten, konnte der Bias behoben werden. Alle drei EEG Merkmale erfassten prediktive Vulnerabilitätsmuster. Das Meta-Modell, welches die unterschiedlichen Ansätze der Arbeit vereint, erreichte eine balancierte Genauigkeit von 0,691 (AUC: 0,759) auf SuDoCo mit robustem Transfer auf die demografisch unterschiedliche und homogene ePOD-Kohorte. Unsere Ergebnisse zeigen, dass EEG-basierte Vulnerabilitätsmarker eine entscheidend feine Auflösung des Risikos abbilden, auch dann, wenn demografische Prädiktoren versagen, insbesondere in homogenen älteren Populationen."],"dc:identifier.uri":["https://depositonce.tu-berlin.de/handle/11303/27230","https://doi.org/10.14279/depositonce-26065"],"dc:language.iso":["en"],"dc:rights.uri":["https://creativecommons.org/licenses/by/4.0/"],"dc:title":["Predicting the risk for postoperative delirium using routine EEG monitoring data"],"dc:type":["Doctoral Thesis"]},"updated_at":"2026-07-27T21:28:40Z"}