[论文解读] Quantifying interictal intracranial EEG to predict focal epilepsy

Ryan S. Gallagher, Nishant Sinha+11 more|arXiv (Cornell University)|Jul 27, 2023

Epilepsy research and treatment被引用 7

一句话总结

本研究提出了一种定量、数据驱动的方法，利用发作间期颅内脑电图（IEEG）预测局灶性癫痫，结合电极的空间分布和发作间期IEEG异常，并引入术前5 Sense评分（5 Sense Score）。该方法在预测手术治疗与装置治疗方面AUC达到0.81，在预测术后2年预后方面AUC达到0.70，显著优于仅依赖术前评估的预测效果。

ABSTRACT

Intracranial EEG (IEEG) is used for 2 main purposes, to determine: (1) if epileptic networks are amenable to focal treatment and (2) where to intervene. Currently these questions are answered qualitatively and sometimes differently across centers. There is a need for objective, standardized methods to guide surgical decision making and to enable large scale data analysis across centers and prospective clinical trials. We analyzed interictal data from 101 patients with drug resistant epilepsy who underwent presurgical evaluation with IEEG. We chose interictal data because of its potential to reduce the morbidity and cost associated with ictal recording. 65 patients had unifocal seizure onset on IEEG, and 36 were non-focal or multi-focal. We quantified the spatial dispersion of implanted electrodes and interictal IEEG abnormalities for each patient. We compared these measures against the 5 Sense Score (5SS), a pre-implant estimate of the likelihood of focal seizure onset, and assessed their ability to predict the clinicians choice of therapeutic intervention and the patient outcome. The spatial dispersion of IEEG electrodes predicted network focality with precision similar to the 5SS (AUC = 0.67), indicating that electrode placement accurately reflected pre-implant information. A cross-validated model combining the 5SS and the spatial dispersion of interictal IEEG abnormalities significantly improved this prediction (AUC = 0.79; p<0.05). The combined model predicted ultimate treatment strategy (surgery vs. device) with an AUC of 0.81 and post-surgical outcome at 2 years with an AUC of 0.70. The 5SS, interictal IEEG, and electrode placement were not correlated and provided complementary information. Quantitative, interictal IEEG significantly improved upon pre-implant estimates of network focality and predicted treatment with precision approaching that of clinical experts.

研究动机与目标

• 开发一种客观、标准化的方法，利用发作间期IEEG预测局灶性癫痫，以减少对主观临床判断的依赖。
• 通过量化电极的空间分布和发作间期脑电图异常，提高药物难治性癫痫的手术决策质量。
• 通过将定性评估替换为可测量、可重复的指标，实现大规模、多中心数据的分析。
• 评估定量IEEG指标是否可与术前5 Sense评分共同提升治疗策略和长期预后的预测能力。

提出的方法

• 本研究分析了101名接受术前IEEG监测的药物难治性癫痫患者在发作间期的IEEG数据。
• 通过衡量网络扩散程度，量化了植入电极的空间分布，并与术前5 Sense评分（5SS）进行比较。
• 利用反映癫痫样放电在电极间分布的空间度量，对发作间期IEEG异常进行量化。
• 采用交叉验证的机器学习模型，将5SS与发作间期IEEG异常的空间分布相结合，以预测治疗策略和2年预后。
• 使用受试者工作特征（ROC）分析评估模型性能，曲线下面积（AUC）为主要评价指标。
• 模型在预测手术与装置治疗方式以及术后2年预后方面进行了验证。

实验结果

研究问题

• RQ1 与仅依赖术前5 Sense评分相比，基于发作间期IEEG的定量指标是否能提升局灶性癫痫的预测能力？
• RQ2 颅内电极的空间分布是否与IEEG中观察到的实际网络局灶性存在相关性？
• RQ3 结合5SS与发作间期IEEG指标的模型，是否能比单独使用任一指标更准确地预测治疗策略？
• RQ4 5SS、电极位置和发作间期IEEG异常在预测预后方面提供互补信息的程度如何？
• RQ5 定量IEEG指标是否能可靠预测局灶性癫痫患者术后2年的预后？

主要发现

• IEEG电极的空间分布预测网络局灶性，AUC为0.67，与5 Sense评分（5SS）相当，表明其与术前评估高度一致。
• 将5SS与发作间期IEEG异常的空间分布相结合的模型，在预测网络局灶性方面AUC达到0.79，显著优于单独使用5SS（p<0.05）。
• 该联合模型在预测治疗策略（手术 vs. 装置治疗）方面AUC达到0.81，接近专家临床判断的精度。
• 同一模型在预测术后2年预后方面AUC为0.70，显示出在预后预测中的临床实用性。
• 5SS、发作间期IEEG指标与电极位置之间无显著相关性，证实三者提供独立且互补的预测信息。
• 定量发作间期IEEG显著提升了预测准确性，超越了术前评估的预测能力，支持其在标准化、可扩展的临床决策支持系统中的应用。