Slim horloge blijkt non-invasieve voorspeller van epilepsieaanvallen

november 2021 Zorginnovatie Dominique Vrouwenvelder

Ondanks medicatie, chirurgie en neurostimulatie blijven veel epilepsiepatiënten aanvallen houden. Hoewel de mogelijkheid om aanvallen te voorspellen eerder is aangetoond met behulp van geïmplanteerde hersenapparaten, willen veel patiënten geen invasief implantaat. Nu blijkt ook een speciaal horloge in staat om aanvallen van epilepsiepatiënten te voorspellen.

Het onvoorspelbare karakter van aanvallen beperkt een epilepsiepatiënt in zijn doen of laten. Als aanvallen op betrouwbare wijze kunnen worden voorspeld, kunnen mensen met epilepsie hun activiteiten daarop aanpassen, een snelwerkend medicijn innemen of hun neurostimulator harder zetten om een aanval te voorkomen of de effecten ervan te minimaliseren.

Non-invasief systeem

Een groep onderzoekers ontdekte recentelijk dat patronen konden worden geïdentificeerd bij epilepsiepatiënten die 6-12 maanden lang een speciaal polshorloge droegen.

Deze studie had tot doel een draagbaar systeem te ontwikkelen dat aanvallen kan voorspellen voor ambulant gebruik en de voorspellingsprestaties te evalueren in vergelijking met aanvallen die werden geïdentificeerd met gelijktijdig chronisch intracranieel EEG (iEEG).

De onderzoekers ontwikkelden een systeem om aanvallen te voorspellen met een LSTM (long short-term memory) recurrent neural network (RNN) algoritme met behulp van een niet-invasief polsgedragen sensorapparaat. Dit systeem werd vervolgens in de praktijk getest bij patiënten met epilepsie, van wie ook gelijktijdige data beschikbaar was van een geïmplanteerd opnameapparaat.

‘Deep learning’ algoritme

Het systeem werd getest bij patiënten (n=6) met resistente epilepsie en een geïmplanteerd neurostimulatie-apparaat dat de elektrische hersenactiviteit bewaakt. Ze gebruikten de apparaten tijdens hun normale dagelijkse activiteiten, waardoor lange termijngegevens voor het onderzoek werden verkregen.

De verzamelde informatie van het draagbare apparaat omvatte elektrische kenmerken van de huid, lichaamstemperatuur, bloedstroom, hartslag en accelerometrische gegevens die de beweging bijhouden. De gegevens werden geanalyseerd met een ‘deep learning’ neurale netwerkbenadering van kunstmatige intelligentie, waarbij gebruik werd gemaakt van een algoritme voor tijdreeks- en frequentieanalyse. De neurostimulatie apparaten werden gebruikt om aanvallen te bevestigen, waardoor het team de nauwkeurigheid van de voorspelling door de pols gedragen apparaten kon meten.

Voorspellende waarde

Het systeem bereikte een voorspellende prestatie die significant beter was dan een willekeurige voorspeller voor 5 van de 6 onderzochte patiënten, met een gemiddelde AUC-ROC van 0,80 (bereik 0,72-0,92). Deze resultaten leveren het eerste bewijs dat directe aanvalsvoorspellingen mogelijk zijn met behulp van draagbare apparatuur in de ambulante omgeving voor veel patiënten met epilepsie.

Referentie

Nasseri M, Pal Attia T, Joseph B, et al. Ambulatory seizure forecasting with a wrist-worn device using long-short term memory deep learning. Sci Rep. 2021 Nov 9;11:21935.

X