早期检测抗发作药物无效使用可植入的连续EEG系统和个性化的模型:一个案例研究

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程

背景情况:

• 抗药物 (ASM) 疗效评估受到不准确的日记和自然频率波动的挑战.
• 这些局限性可能会推迟识别无效治疗方法,延长患者监测期.

研究的目的:

• 探索植入式连续EEG监测 (iCEM) 和时间序列建模的实用性,以改善抗发作药物的疗效评估.
• 开发和验证一个个性化的自回归模型,其中包含了间接性发性放电周期,以预测发病率.

主要方法:

• 一个回顾性案例研究,一个49岁的女性患有耐药焦点,使用iCEM (Epiminder的Minder®系统) 超过3年.
• 在药物后数据上训练和验证个性化的自回归模型,然后在药物前和药物后数据集上测试它.
• 使用Kruskal-Wallis测试来评估不同药物治疗方案的模型性能.

主要成果:

• 只有37%的发作在参与者的发作日记中报告.
• 通过iCEM检测到的发作在药物后减少,而日记报告增加,但两者都保持在正常变化范围内.
• 自动回归模型在药物前和药物后期间之间显示出明显不同的平均平方误差,表明对治疗变化的敏感性.

结论:

• iCEM与个性化时间序列建模相结合,显示了区分药物诱导的发率变化与自然变化的潜力.
• 这项概念验证研究为开发方法提供了基础,以支持更早,更准确的抗发作药物疗效评估.
• 这些发现表明,有可能缩短确定最佳治疗所需的时间.