EEG微状态在预测奥卡西平治疗新诊断局灶性癫痫患者疗效中的作用

2024-06-17 Mon
EEG 微状态在预测新诊断局灶性癫痫患者奥卡西平治疗效果中的作用引言背景局灶性癫痫（focal epilepsy）是最常见的癫痫类型，占所有癫痫病例的约60%。根据不同的癫痫类型，抗癫痫药物的选择也会有所不同。在局灶性癫痫的治疗中，奥卡西平（oxcarbazepine，简称OXC）被广泛应用。然而，奥卡西平能够使约65%的患者实现无癫痫发作，但仍有相当部分患者未能获得良好的治疗效果。电生理监测技术，如脑电图（electroencephalography，EEG），在癫痫的诊断和管理中具有重要作用。
研究目的微状态（microstate）是一种反映大脑电活动的时-空特征的脑电图模式。以往的研究显示抗癫痫药物可以影响大脑的EEG信号，但对奥卡西平的研究仍然有限。同时，研究显示短暂状态可能成为癫痫的有力生物标志。因此，本研究旨在探讨新诊断的局灶性癫痫患者在服用奥卡西平治疗前的EEG短暂状态，并利用提取的短暂状态特征预测奥卡西平治疗效果。
研究团队和发表信息此研究由荣荣、张润凯、徐云、汪晓云、王海霞和王孝山共同完成。其中荣荣和徐云来自南京鼓楼医院，张润凯和王海霞来自东南大学，王孝山来自南京脑科医院。本论文发表于2024年5月23日的《Seizure: European Journal of Epilepsy》上。
研究方法对象和数据采集研究对象包括25名新诊断的局灶性癫痫患者（13名女性），年龄在12至68岁之间。研究对象依据首次随访结果分为无癫痫发作组（SF组）和非无癫痫发作组（NSF组）。所有患者在开始单一奥卡西平治疗前均进行了长时间的头皮EEG记录。纳入标准包括：患者在初次诊断时未使用抗癫痫药物，单独奥卡西平治疗至少六个月，并且随访记录可用。
研究流程数据预处理：
所有患者在开始奥卡西平治疗前接受19通道EEG记录（采样率为256Hz或512Hz）。
使用MNE-Python软件进行预处理，包括滤波、重新参考、去除伪影等。
短暂状态分析：
使用修正的K均值聚类方法，将脑电图计算的全局场强峰值周围的头皮电位拓扑图聚类为四种代表性短暂状态。
提取每种短暂状态的时-空参数，包括持续时间、覆盖率、出现频率和过渡概率等。
机器学习预测：
提取的短暂状态特征用于构建机器学习模型，包括逻辑回归（LR）、朴素贝叶斯（NB）和支持向量机（SVM）。
采用四折交叉验证方法评估模型性能，使用ADASY算法进行数据增强，以平衡数据集。
数据分析使用独立样本T检验和Wilcoxon秩和检验等统计方法对不同组别的短暂状态参数进行比较。
使用Fisher精确检验评估二元变量，如颞叶癫痫（TLE）存在与否和预后之间的关联。
使用接收者操作特性（ROC）曲线和曲线下面积（AUC）评估机器学习模型的预测性能。
实验结果主要结果与SF组相比，NSF组的短暂状态1（MS1）显示出显著更高的持续时间、出现频率和覆盖率。
短暂状态2（MS2）的全局解释变异和时点相关性在NSF组中显著高于SF组。
SF组显示出更高的从MS2到MS4的过渡概率，而NSF组表现出更高的从MS2和MS3到MS1的过渡概率。
预测结果利用短暂状态特征进行预测时：
- LR模型在特征集I上的平均AUC达到0.95。
- SVM模型在特征集III上的平均AUC为0.84。
- NB模型在特征集III上的平均AUC为0.70。
讨论本研究首次利用EEG短暂状态分析新诊断局灶性癫痫患者在奥卡西平治疗前的大脑活动，并证明短暂状态特征可以显著预测治疗效果。结果显示，MS1在NSF组的高活动水平可作为预测效果不佳的标志，而MS2和MS4的特征也显示出重要的预测价值。
临床应用意义EEG短暂状态分析可作为预测奥卡西平治疗效果的工具，帮助医生选择更合适的治疗方案，提升治疗效果，减少不必要的治疗成本和心理负担。这一方法的优势在于能捕捉大脑活动的空间和时间特征，提供重要的神经生理学信息。
结论本研究展示了EEG短暂状态在预测新诊断局灶性癫痫患者奥卡西平治疗效果中的潜力。通过提取的短暂状态特征并使用机器学习模型，研究团队成功实现了对治疗效果的高准确度预测。尽管数据量有限，结果依然强调了EEG短暂状态作为抗癫痫药物治疗效果生物标志物的重要性，且为未来的机器学习研究提供了基础。
研究意义和未来方向将小样本纳入更大规模的研究或外部验证以确认研究结果。
探索高密度EEG或其他技术如脑磁图以提供新的微状态视角。
进一步结合多种生物电和影像学特征，提升机器学习模型的鲁棒性和预测能力。