Supporto decisionale computazionale nell'epilessia utilizzando l'EEG retrospettivo

I modelli matematici forniscono uno strumento potente e utile con cui identificare e comprendere i meccanismi biologici che possono portare al rischio di convulsioni, nonché il modo in cui si generano, si propagano e terminano (Wendling, 2005). Modelli matematici che combinano dettagli sperimentali e clinici a diverse scale hanno rivelato l'importanza di molti meccanismi microscopici e macroscopici nella generazione di attività simil-convulsiva, che vanno dai meccanismi genetici e molecolari ai cambiamenti nell'eccitabilità delle popolazioni neurali che portano alla generazione di patologie oscillazioni (per la rassegna vedi Woldman & Terry (2015); Soltesz & Staley (2008)). A causa della maggiore disponibilità di registrazioni di dati (EEG, MRI, MEG, CT, PET), c'è stato un aumento significativo degli studi di ricerca che mirano a identificare nuovi biomarcatori da queste registrazioni con potenziale valore clinico, utilizzando varie tecniche diverse (ad es. analisi di serie temporali, modellazione computazionale, machine learning).

Combinando tecniche matematiche e computazionali, abbiamo identificato proprietà nell'EEG in stato di riposo (occhi chiusi, rilassati) di persone con epilessia che differiscono da quelle dei controlli e dei loro parenti di primo grado (Chowdhury et al., 2014). Lo sviluppo di questi approcci e la loro applicazione alle registrazioni di routine di individui con epilessia rispetto a una coorte di controllo (Schmidt et al., 2016) ha rivelato livelli di accuratezza diagnostica simili all'attuale generale (ad es. pratiche neurologiche non specialistiche (60% di sensibilità, 87% di specificità, N=68). Fondamentalmente, il nostro metodo ha classificato correttamente diversi soggetti utilizzando il loro primo EEG, mentre la diagnosi clinica è stata confermata solo dopo registrazioni telemetriche prolungate per molti mesi.

Poiché i nostri metodi e analisi dipendono solo da brevi segmenti di EEG a riposo, la sua accuratezza ed efficacia non si basano sull'acquisizione di anomalie epilettiformi, in contrasto con l'attuale uso dell'EEG nella diagnosi dell'epilessia. Poiché molti EEG restituiscono negativi, i medici si trovano spesso di fronte al problema di decidere se optare per registrazioni EEG più lunghe o ambulatoriali o video EEG, che è attualmente il metodo finale nella cascata diagnostica. Ciò richiede tempo, è costoso e si basa sulla disponibilità e sull'esperienza di lettori EEG qualificati. Interrogando in modo ottimale brevi segmenti di attività di base con analisi matematiche e computazionali, i nostri metodi, a breve termine, forniscono ulteriori prove che potrebbero guidare i medici nelle future fasi diagnostiche.