Beräkningsstöd vid epilepsi med hjälp av retrospektivt EEG

Matematiska modeller ger ett kraftfullt och användbart verktyg för att identifiera och förstå biologiska mekanismer som kan leda till risken att få anfall samt hur de genererar, fortplantar sig och upphör (Wendling, 2005). Matematiska modeller som kombinerar experimentella och kliniska detaljer i olika skalor har avslöjat betydelsen av många mikroskopiska och makroskopiska mekanismer i genereringen av anfallsliknande aktivitet, allt från genetiska och molekylära mekanismer till förändringar i excitabiliteten hos neurala populationer som leder till generering av patologiska oscillationer (för recension se Woldman & Terry (2015); Soltesz & Staley (2008)). På grund av den ökade tillgängligheten av datainspelningar (EEG, MRI, MEG, CT, PET) har det skett en betydande ökning av forskningsstudier som syftar till att identifiera nya biomarkörer från dessa inspelningar med potentiellt kliniskt värde, med hjälp av olika tekniker (t. tidsserieanalys, beräkningsmodellering, maskininlärning).

Genom att kombinera matematiska och beräkningstekniker har vi identifierat egenskaper i vilotillstånds-EEG (ögonen stängda, avslappnade) hos personer med epilepsi som skiljer sig från kontrollerna såväl som deras första gradens släktingar (Chowdhury et al., 2014). Att utveckla dessa tillvägagångssätt och tillämpa dem på rutininspelningar från individer med epilepsi mot en kontrollkohort (Schmidt et al., 2016) avslöjade nivåer av diagnostisk noggrannhet liknande den nuvarande allmänna (dvs. icke-specialist) neurologpraktik (60 % sensitivitet, 87 % specificitet, N=68). Avgörande var att vår metod korrekt klassificerade flera försökspersoner med deras första EEG, medan klinisk diagnos bekräftades först efter långvariga telemetriska inspelningar under många månader.

Eftersom våra metoder och analys endast beror på korta segment av EEG i vilotillstånd, är dess noggrannhet och effektivitet inte beroende av att fånga epileptiforma avvikelser, i motsats till den nuvarande användningen av EEG för att diagnostisera epilepsi. Eftersom många EEG returnerar negativa, ställs läkare ofta inför problemet med att bestämma sig för om de ska välja längre inspelningar av EEG eller ambulerande eller video-EEG, som för närvarande är den sista metoden i den diagnostiska kaskaden. Detta är tidskrävande, dyrt och är beroende av tillgången och expertis hos utbildade EEG-läsare. Genom att optimalt förhöra korta segment av bakgrundsaktivitet med matematisk och beräkningsanalys, ger våra metoder på kort sikt ytterligare bevis som kan vägleda läkare i framtida diagnostiska steg.