NOTWENDIGKEIT: Neuromed Epilepsie-EEG-Datenbank. Eine große EEG-Datenbank von Epilepsiepatienten für die Forschungsgemeinschaft. (NEED)

Weltweit sind etwa 50 Millionen Menschen von Epilepsie betroffen, die zu den häufigsten neurologischen Erkrankungen zählt. Sie ist gekennzeichnet durch unvorhersehbare und plötzliche Anfälle, die zu Bewusstlosigkeit und unkontrollierten motorischen Reaktionen führen können, was die Lebensqualität von Epilepsiepatienten stark beeinträchtigt. Nur zwei Drittel der Epilepsiepatienten können Anfälle mit Antiepileptika oder durch eine Epilepsieoperation kontrollieren. Für die übrigen Patienten sollten andere Therapieansätze in Betracht gezogen werden. Diese Ansätze umfassen die Entwicklung eines interventionellen Closed-Loop-Geräts, das in der Lage ist, Anfälle zu erkennen und eine interventionelle Operation auszulösen, wie z. B. die Verabreichung von Antiepileptika oder die elektrische Stimulation des epileptogenen Fokus, um den Anfall abzubrechen. Um diesen Patienten effiziente therapeutische Ansätze zu bieten, wurden in den letzten Jahrzehnten viele Anstrengungen unternommen, um automatische Methoden zu entwickeln, um zuverlässige Marker im elektroenzephalographischen (EEG) Signal zu finden, das den Goldstandard für die Epilepsie-Diagnose darstellt, die in der Lage sind, vorherzusagen oder frühzeitig zu erkennen Krampfanfälle im EEG. Solche Verfahren basieren auf mathematischen oder rechnerischen Ansätzen zur EEG-Signalanalyse, deren Ziel es ist, komplexe Maße (die sogenannten "Merkmale") aus dem EEG-Signal zu extrahieren, die mit der klassischen visuellen Untersuchung von EEG-Signalen durch Epileptologen während der EEG-Analyse nicht erkennbar sind Epilepsiediagnostik, um solche Merkmale als Vorboten kommender Anfälle (Anfallsvorhersage) oder als Indikatoren für einen andauernden Anfall (Anfallserkennung) zu nutzen. In den letzten Jahren wurden viele Verfahren vorgeschlagen, die lineare oder nichtlineare verwenden, um Merkmale aus dem EEG-Signal zu extrahieren. Kürzlich verwendeten einige Studien auch das elektrokardiographische Signal (EKG), das normalerweise zusammen mit dem EEG beim Epilepsie-Monitoring aufgezeichnet wird, um vielversprechende Merkmale daraus zu extrahieren. Obwohl diese Studien vielversprechende Ergebnisse zeigten, leiden sie dennoch unter vielen Einschränkungen. Darunter die Verwendung einer begrenzten Anzahl von Patienten und Anfällen und die Verwendung nur von Aufzeichnungen, die zu der Phase gehören, die den Anfällen vorangeht (die sogenannte präiktale Periode). Solche Einschränkungen erlauben es beispielsweise nicht, die Spezifität solcher Algorithmen zu bestimmen, da sie auch Aufzeichnungen nicht berücksichtigen, die in Zeitintervallen weit entfernt von den Anfällen (interiktale Daten) erfasst wurden, und zu einer Überanpassung der Anfallsvorhersage führen könnten. Erkennungsmodell. Das einzige, worüber sich alle Epilepsieforscher einig sind, ist die Existenz einer präiktalen Phase, die dem Anfall vorausgeht, der iktalen Phase, in der der Anfall „aktiv“ ist, und der interiktalen Phase, die eine Periode ist vorübergehend weit weg von der Beschlagnahme. Normalerweise bestehen automatische Verfahren zur Anfallsvorhersage/-erkennung aus drei verschiedenen Phasen: der Vorverarbeitung (Artefaktentfernung, Bandpassfilterung, Datensegmentierung, …) von EEG-Signalen, Merkmalsextraktion und Merkmalsauswahl und -klassifizierung. Dieser letzte Schritt besteht normalerweise in der Verwendung von maschinellem Lernen und statistischen Methoden, um eine Entscheidung über die Vorhersage/Erkennung zu treffen. Grundsätzlich sollten diese Modelle in der Lage sein, jede EEG-Instanz in zwei Klassen zu klassifizieren, "Anfall" oder "kein Anfall", unter Verwendung der aus dem EEG-Signal extrahierten Merkmale. Die Wirksamkeit dieser Modelle hängt stark davon ab, wie effizient sie trainiert werden, und je mehr Daten verwendet werden, um sie zu trainieren, desto besser sind sie normalerweise in der Lage, die richtige Entscheidung zu treffen. Daher könnte die Verfügbarkeit einer großen Datendatenbank die Entwicklung effizienter Modelle zur Erkennung/Vorhersage von Epilepsie ermöglichen. Die Möglichkeit für Forscher, Zugang zu einer großen Datenbank mit kontinuierlichen und langfristigen EEG-Daten von Epilepsiepatienten zu haben, könnte eine große Chance sein, effiziente und zuverlässige automatische Anfallsvorhersage-/Erkennungsmethoden zu entwickeln. Aus diesen Gründen haben einige Forschungsgruppen in den letzten Jahren öffentliche EEG-Datenbanken vorgeschlagen und mit Forschern geteilt, die ihre automatisierten Anfallserkennungs-/Vorhersagemodelle testen möchten. Insbesondere wurden solche Datenbanken vom Epilepsiezentrum der Universitäten Bonn und Freiburg sowie vom Children's Hospital of Boston vorgeschlagen und Forschern zum kostenlosen Download zur Verfügung gestellt. Diese Datenbanken enthalten Langzeit-EEG-Aufzeichnungen, die während der präoperativen Überwachung von Epilepsiepatienten erfasst wurden. Die Anzahl der in diese Datenbanken aufgenommenen Patienten ist recht gering (von mindestens 5 bis maximal 23 Patienten) und auch die Anzahl der Anfälle ist begrenzt (von mindestens 59 bis maximal 189). Darüber hinaus reicht die Dauer der Aufzeichnungen von 40 Minuten bis 142 Stunden und die Anzahl der Metadaten (andere Informationen über Patienten und Anfälle) ist sehr gering. Die letzte Datenbank wurde 2008 im Rahmen eines von der EU geförderten Projekts (EPILEPSIAE) vorgeschlagen, an dem 6 verschiedene Partner (Krankenhäuser, Universitäten, Unternehmen) aus 4 verschiedenen Ländern (Deutschland, Italien, Frankreich, Portugal) beteiligt waren. Diese Datenbank ist nicht kostenlos, wird aber 2012 gegen Bezahlung zum Download bereitgestellt. Sie ist heute die größte weltweit verfügbare Epilepsie-EEG-Datenbank (http://epilepsy-database.eu/). Es enthält Daten von 275 Patienten, darunter EEG- und EKG-Aufzeichnungen, Metadaten, klinische und technische Anmerkungen zu den Daten und klinische Informationen über die Patienten. Tatsächlich stehen nur 60 von 275 Datensätzen zum Download bereit. Das Ziel dieser Studie ist die Erstellung einer Langzeit-EEG-Datenbank, die bei Epilepsiepatienten während der nicht-invasiven präoperativen Überwachung in der Abteilung für Epilepsiechirurgie des IRCCS Neuromed erfasst wurde. Die Datenbank wird neben EEG- und EKG-Aufzeichnungen auch klinische und technische Anmerkungen zu den Daten enthalten, die von erfahrenen Epileptologen erstellt wurden, sowie klinische Informationen über den Patienten, einschließlich neuropsychologischer Bewertungen. Alle Daten werden zunächst anonymisiert, verschlüsselt und dann zum kostenlosen Download bereitgestellt. Die Datenbank wird Daten von 200 Epilepsiepatienten enthalten, die sich einer nicht-invasiven präoperativen Epilepsieüberwachung in der Abteilung für Epilepsiechirurgie des IRCCS Neuromed unterzogen haben. Am Ende der nicht-invasiven EEG-Überwachung werden zwei erfahrene Epileptologen EEG/EKG-Daten untersuchen, um die Anfälle zu identifizieren, insbesondere die Kanäle, an denen der Anfall beginnt, und die Zeit, und alles, was für das Projekt von Interesse sein könnte. Alle Aufzeichnungen werden im ASCII-Format (American Standard Code for Information Interchange) mit der Software DMS Data Management System (Nihon Kohden Europe GmbH), Version 2.9.8, exportiert und lokal gespeichert. Gleichzeitig werden für jeden Patienten klinische und demografische Daten (nur Geschlecht und Alter) erhoben. Insbesondere werden für jeden Patienten die folgenden Daten verfügbar sein:

• Demografische Daten (Geschlecht und Alter);
• Klinische Informationen (Epilepsietyp, Anfallshäufigkeit, …);
• Neuropsychologische Daten;
• EEG-Daten erfasst nach internationalem 10-20-System;
• EKG-Daten;
• Informationen zu den Aufzeichnungen und den Anfällen (Start- und Endzeit, Start- und Endzeit der jeweiligen Anfälle, …)

Alle Daten aller Patienten werden in eine einzige Datenbank aufgenommen, und jeder Patient wird in einem einzigen komprimierten Archiv gespeichert. Die Datenbank wird nach Abschluss einer Anfrage zur Verfügung gestellt, die von jedem Forscher über eine dedizierte URL weitergeleitet werden kann, in der der Forscher ein Formular ausfüllt, wenn er aufgefordert wird, die folgenden Daten bereitzustellen:

• Angaben zum Bewerber (Name, Anschrift, Zugehörigkeit, …)
• DSGVO-Zustimmung Sobald die Anfrage eingegangen ist, wird das komprimierte Archiv, das die gesamte Datenbank enthält, mit einem alphanumerischen Ad-hoc-Passwort geschützt. Dieses Passwort besteht aus zwei Teilen: Der erste Teil wird per E-Mail an den Antragsteller gesendet, der zweite Teil wird über den normalen Postdienst (Zwei-Wege-Authentifizierung) gesendet.