Zeitliche Sequenzen für epileptische Anfallserkennung

Epilepsie ist eine chronische Erkrankung, die durch wiederkehrende, unprovozierte und unvorhersehbare Anfälle charakterisiert ist. Mit einer Prävalenz von 0,8% ist sie eine der häufigsten neurologischen Erkrankungen. Etwa ein Viertel der PatientInen leiden an einer schwer zu behandelnden, medikamentenrefraktären Epilepsie. Für sie ist ein operativer Eingriff unter Umständen eine effektive Behandlungsmethode. Während der prächirurgischen Abklärung werden über große Zeitperioden Elektroenzephalogramme (EEG) abgeleitet. Die Aufnahmen erfolgen üblicher Weise über mehrere Tage und sind extrem zeitaufwendig und teuer. Eine automatische Anfallserkennung, die in Echtzeit und im Online-Betrieb die Daten des Aufnahmesystems verarbeiten kann, wäre deshalb für Epilepsiezentren von großem Nutzen. Eine solche Anfallserkennung würde das Personal von der fortlaufenden, lückenlosen Überwachung des EEG-Signals während der Ableitung entlasten. Gleichzeitig würde die Anfallserkennung das medizinische Fachpersonal bei den ersten Anzeichen eines Anfalls alarmieren, um die Patienten während des Anfalls zu betreuen und neurologische und neuropsychologische Tests durchführen zu können. Darüber hinaus würde durch eine automatische Anfallserkennung die enormen Mengen an EEG-Daten, die für die Diagnose inspiziert werden müssen, extrem reduzieren und so die Kosten für die Behandlung gesenkt werden. Eine weitere wichtige Anwendung für eine automatische Anfallserkennung ist der Einsatz auf der Intensivstation. Mehrere Studien belegen, dass sich in bis zu 10% der komatösen PatientInen ein nichtkonvulsiver Status epilepticus ausbildet. Heute bleibt dieser Status epilepticus gewöhnlich unbemerkt, weil aufgrund der Komplexität der EEG-Signale und der Schwierigkeiten bei der Interpretation der Daten im Online-Betrieb nur selten kontinuierliche EEG-Ableitungen in den Intensivstationen durchgeführt werden. Eine automatische Anfallserkennung, die durchgehend die Gehirnfunktionen überwacht und im Falle eines epileptischen Anfalls sofort medizinisches Personal alarmiert, würde die Prognosen für diese PatientInen daher wesentlich verbessern. Die Entwicklung einer Anfallserkennung, die diesen Anwendungen gerecht wird, ist eine sehr anspruchsvolle Aufgabe. Obwohl bereits zahlreiche Versuche für die Entwicklung eines solchen Systems unternommen wurden, sind diese Systeme noch lange nicht ausgereift und bedürfen wesentlicher Verbesserungen, um im hektischen Klinikalltag akzeptiert zu werden. Ein entsprechendes System muss die folgende drei wichtigen Bedingungen erfüllen: Erstens soll die Anfallserkennung ohne umfangreiche Trainingseinheiten mit gespeicherten Daten auskommen. Zweitens soll sie Anfälle verschiedener Patienten erkennen können, ohne dass Parameter manuell für jeden Patienten neu eingestellt werden müssen. Drittens muss sie eine geringe Fehlalarmrate bei gleichzeitig hoher Sensitivität und geringer Latenz zwischen Anfallsanfang und Alarm aufweisen. Das Ziel dieses Projekts ist die Entwicklung eines solchen zuverlässigen Systems für die Erkennung epileptischer Anfälle für die Anwendung in der Klinik. Das Projekt baut dabei auf Forschungsergebnissen des Vienna Epilepsy Program (ViEP) und der Austrian Research Centers (ARC) der letzten Jahre auf. Um die Ziele dieses Projekts zu erreichen werden zwei unterschiedliche Ansätze verfolgt. Einerseits wollen wir zeitliche Feature-Sequenzen auf einer kleinen Zeitskala, insbesondere während epileptischer Anfälle, ausnützen. Erste Untersuchungen mit den mathematischen Anfallsmaßen, die für den derzeitigen Anfallsdetektor entwickelt wurden, zeigen, dass sich einige Anfallsmaße in der frühen Phase der Anfallsevolution ändern, während andere erst spät reagieren. In diesem Projekt soll diese zeitliche Abfolge der Signalcharakteristika im Detail untersucht werden. Außerdem sollen die Korrelationen zwischen den mathematischen Anfallsmaßen und der klinischen Anfallssemiologie gefunden werden. Die daraus folgenden Informationen werden anschließend in die Anfallsdetektion auf Basis eines Hidden Markov Modells (HMM) integriert. Soweit uns bekannt ist, gibt es derzeit keine Ansätze für die Detektion epileptischer Anfälle, die auf einem HMM basieren. Unserer Meinung nach kann gerade dieser Ansatz die Anfallserkennung wesentlich zuverlässiger machen, indem bisher unbeachtete wichtige Informationen ausgenützt werden. In einem zweiten Ansatz wollen wir die Zusammenhänge zwischen den Veränderungen in der Dynamik des EEG- Signals während des Schlaf-Wach-Zyklus und der Fehlalarmrate des Anfallsdetektors untersuchen. Insbesondere soll untersucht werden, ob ein Zusammenhang zwischen Schlaf-Wach-Zyklus und Fehlalarmrate besteht und in wieweit die einzelnen Anfallsmaße des bestehenden Detektors sensitiv für Artefakte sind, die zu Fehlalarmen führen. Die Informationen, die aus dieser Analyse folgen, werden in die Anfallserkennung integriert, die damit von Schlaf-Wach-Zyklus und von Wahrscheinlichkeitsmaßen für das Auftreten von Artefakten abhängt. Soweit uns bekannt ist, wurde ein solcher Ansatz im Rahmen der Erkennung epileptischer Anfälle bisher ebenfalls nicht verwendet.

Die Epilepsie ist mit einer Prävalenz von 0.8% eine der häufigsten chronischen neurologischen Erkrankungen. Die durch eine chronische Epilepsie verursachte Krankheitslast ist höher als jene für Lungenkarzinom bei Männern und für Brustkrebs bei Frauen. Die Epilepsie stellt deshalb ein signifikantes Gesundheitsproblem dar. Während ca. 2/3 der Epilepsiepatienten erfolgreich mit Antiepileptika behandelt werden können, erweist sich ca. 1/3 als medikamentös therapierefraktär mit anhaltenden Anfällen trotz hochdosierter antiepileptischer Therapie. Das Hauptproblem dieser Patienten besteht in der Unvorhersehbarkeit der Anfälle, die zufällig und ohne Vorwarnung auftreten und dadurch zu gravierenden Einschränkungen im Alltagsleben, sozialen Stigmatisierungen, Verletzungen und schließlich zum SUDEP (sudden unexpected death in epilepsy) führen können. Für einige dieser Patienten stellt die Epilepsiechirurgie, bei der derjenige Teil des Gehirns von dem die Anfälle ihren Ausgang nehmen, entfernt wird, eine hoch effektive Therapieoption dar. Ein erfolgreicher epilepsiechirurgischer Eingriff hängt ganz entscheidend von einer exakten prächirurgischen Epilepsiediagnostik ab, wobei hier ein Eckpfeiler das prolongierte Video-EEG-Monitoring darstellt, bei dem über durchschnittlich 5 Tage kontinuierlich ein EEG abgeleitet wird. Wir entwickelten einen neuen Anfallsdetektionsalgorithmus (EpiScan) der eine verlässliche Detektion epileptischer Anfälle mit hoher Sensitivität und Spezifität erlaubt. Unser Algorithmus wurde an einem großen Volumen von retro- und prospektiven Daten getestet. Unser Algorithmus passt die Alarmgrenzen mit Hilfe eines daten-getriebenen Zugangs automatisch an und ist somit unabhängig von manuellen Parametereinstellungen. Unser Algorithmus ermöglicht eine online Anfallserkennung mit einer kurzen Latenz von wenigen Sekunden. Unser Algorithmus ist somit das erste derartige System, das in der klinischen Routine eingesetzt werden kann. Die wissenschaftlichen und klinischen Implikationen unseres Anfallsdetektionssystems lassen sich wie folgt zusammenfassen: (1) Neue Einsichten in den Übergang vom interiktalen in den iktalen Zustand und somit in die Mechanismen der Anfallsentstehung. (2) Exakte Feststellung von Anfallsfrequenz und - schwere, was für die Beurteilung der Behandlungserfolgs jeglicher therapeutischer Intervention entscheidend ist. Die subjektiven Berichte der Patienten, auf die man derzeit angewiesen ist, sind oft ungenau und viele Anfälle werden von den Patienten nicht bemerkt. (3) Erhöhung der Patientensicherheit während des prolongierten Video-EEG-Monitorings in der Epilepsie-Monitoring-Unit durch automatisierte Alarmierung von Ärzten, Pflegepersonen oder EEG-Assistenten. (4) Die visuelle Auswertung der großen während des prolongierten Video-EEG-Monitorings anfallenden Datenmengen kann signifikant verbessert und beschleunigt werden. (5) Bereitstellung eines Anfallswarnsystems für Angehörige, Freunde oder Betreuer zur Verminderung des SUDEP Risikos. (7) Einbindung in ein therapeutisches Closed-Loop-System für anfalls-getriggerte therapeutische Interventionen wie elektrische Stimulationen oder lokale Applikation von Medikamenten.