Programmpunkt

16:30–16:45

Titel: Nicht-EEG basierte automatisierte Detektion epileptischer Anfälle zum Therapiemonitoring
ID: FV 01
Art: Abstractvortrag
Session: Freie Vorträge I

Referent: Amirhossein Jahanbekam (Bonn/DE)


Abstract - Text

Einleitung: Selbstgeführte Anfallskalender sind der Goldstandard zum Therapiemonitoring im Alltag und in klinischen Studien. Die Anfallsdokumentation durch Patienten oder Angehörige ist jedoch sehr fehlerhaft, was die Behandlungsqualität und Aussagekraft klinischer Studien infrage stellen kann. Automatisierte tragbare Technologien können die Anfallsdokumentation möglicherweise relevant verbessern. Ziel dieser Studie war die Identifikation nicht-EEG basierter Biosignale und Algorithmen zur Detektion aller Anfallstypen unter kontrollierten Bedingungen bei Patienten mit Bettruhe im Video-EEG Monitoring (VEM) sowie bei sich frei bewegenden Patienten mit mobilem Langzeit-EEG.

Methoden: EEG- und simultane EKG-Aufzeichnungen von 3 Gruppen erwachsener Patienten mit Epilepsie wurden analysiert. Gruppe 1 setzt sich aus 35 Patienten mit 33 Anfällen zusammen, die im kontinuierlichen VEM zusätzlich mit tragbaren Geräten zur Messung von Armbewegungen per Akzelerometrie, elektrischer Herzaktivität per EKG und elektrischem Hautwiderstand per zusätzlicher Elektroden an den Handballen beider Hände ausgestattet wurden. Gruppe 2 setzt sich aus 97 Patienten mit 41 Anfällen im VEM ohne zusätzliche tragbare Geräte zusammen. Gruppe 3 besteht aus 30 sich frei bewegenden Patienten mit 49 Anfällen, die per mobiler EEG-Ableitung aufgezeichnet wurden. Es wurden umfassende Merkmals-Extraktions und Machine Learning Verfahren angewandt, um Algorithmen zur automatisierten Anfallsdetektion zu entwickeln. Die Güte der Algorithmen wird durch F1 Score, Sensitivität, Präzision und Falsch-positive Alarme pro 24 h angegeben.

Ergebnisse: Die Algorithmen wurden an Daten der Gruppe 1 entwickelt und erzielten die besten Resultate (F1 Score 56%, Sensitivität 67%, Präzision 45%, Falschpositiv-Rate 0,7 pro 24 h), wenn ausschließlich Herzraten-Merkmale aus den EKG-Messungen berücksichtigt wurden; die zusätzliche Verwendung der anderen Modalitäten (Akzelerometrie, elektrischer Hautwiderstand) erbrachte keine signifikante Verbesserung. Die Anwendung des besten Algorithmus auf Daten der Gruppe 2 erzielte einen ähnlich hohen F1 Score (F1 Score 51%, Sensitivität 39%, Präzision 73%, Falschpositiv-Rate 0,4 pro 24 h). Im Gegensatz dazu ergab der gleiche Algorithmus angewandt auf Daten der Gruppe 3 relevant schlechtere Ergebnisse (F1 Score 27%, Sensitivität 31%, Präzision 23%, Falschpositiv-Rate 1,2 pro 24 h).

Diskussion: Die Ergebnisse legen nahe, dass ausschließlich auf EKG-Daten basierende Algorithmen zur klinisch sinnvollen automatisierten Detektion aller Anfallstypen herangezogen werden können und dass die Verwendung weiterer Biosignale scheinbar keine relevante Verbesserung erbringt. Die Studie hebt auch die Bedeutung der Bedingungen hervor, unter denen solche Algorithmen entwickelt werden und zeigt die Grenzen von Technologien zur automatisierten Detektion aller Anfallstypen auf.