使用定量EEG和机器学习预测新诊断的的抗发作药物反应

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 仅使用临床数据和视觉EEG解释来预测长期的结果是具有挑战性的.
• 机器学习 (ML) 为EEG数据中的模式识别提供了潜在的可能性,以预测结果.
• 在新诊断的中,ML用于预测抗发作药物 (ASM) 反应的应用尚未得到充分研究.

研究的目的:

• 开发和评估ML模型,以预测新诊断的患者的ASM反应.
• 增强个性化治疗策略,促进药物耐药性的早期识别.
• 使用临床数据,EEG特征和综合数据比较预测性能.

主要方法:

• 94名成人患者的回顾性队列研究,新诊断和治疗前的EEG.
• 排除在MRI上具有结构性脑损伤的患者.
• 三种ML方法:仅临床变量,仅EEG特征和组合数据.
• 使用的模型:物流回归,XGBoost,随机森林;在时代和患者层面进行评估.
• 响应者被定义为在ASM启动后的第二年期间一年没有发作.

主要成果:

• 77.7%的患者实现了无发作.
• 仅仅临床特征就产生了适度的预测 (XGBoost AUROC:0.69).
• 脑电图功能改善了预测 (随机森林AUROC:0.68在患者层面).
• 结合的临床-EEG模型显著提高了预测 (随机森林AUROC:0.81).
• 主要的EEG预测因素:β/gamma频段功率光谱密度和样本.

结论:

• 使用ML进行定量EEG分析显示,预测的预后具有前景.
• 综合的临床和定量EEG数据改善了ASM反应预测.
• ML模型可以支持个性化治疗和早期检测耐药性.
• 临床实施需要在更大,多样化的群体中进行进一步的验证.