Eine neue Studie der Johns Hopkins University hat ein revolutionäres Diagnosewerkzeug namens EpiScalp vorgestellt, das die Fehldiagnoserate von Epilepsie um bis zu 70 % reduzieren kann. Das Tool analysiert scheinbar normale EEGs (Elektroenzephalogramme) und entdeckt verborgene Signaturen, die auf Epilepsie hinweisen. Diese Methode könnte dazu beitragen, unnötige Behandlungen, Nebenwirkungen und die Verzögerung einer korrekten Diagnose zu vermeiden. Laut den in den Annals of Neurology veröffentlichten Ergebnissen erreichte EpiScalp eine Genauigkeit von über 90 % und eine Spezifität von 96 %. Durch die Analyse von Gehirnnetzwerken bietet die Technologie eine objektive und schnellere Möglichkeit, Epilepsie bereits beim ersten EEG zu diagnostizieren. Dies könnte einen Paradigmenwechsel in der Epilepsiediagnose darstellen und die Versorgung von Patienten weltweit verbessern.
EpiScalp basiert auf Algorithmen, die neuronale Netzwerke im Gehirn analysieren. Während traditionelle EEG-Analysen auf einzelne Signale oder Elektroden fokussieren, betrachtet EpiScalp die Wechselwirkungen verschiedener Hirnregionen. Dadurch kann das Tool auch in Fällen, in denen das EEG keine offensichtlichen Anzeichen wie interiktale epileptiforme Entladungen (IEDs) zeigt, Hinweise auf Epilepsie liefern.
Epilepsie-Behandlung: Medikamente, Operation und Vagusnerv-stimulation
„Selbst wenn ein EEG unauffällig erscheint, liefert EpiScalp verwertbare Erkenntnisse“, sagt Professorin Sridevi V. Sarma, Leiterin der Studie. Der Ansatz ermöglicht eine schnellere und genauere Diagnose und verkürzt damit den Behandlungsweg erheblich.
In einer multizentrischen Studie mit 218 Patienten, deren erste EEGs als normal galten, zeigte sich die Wirksamkeit von EpiScalp deutlich. Bei 46 % der Patienten wurde später Epilepsie diagnostiziert, während die restlichen 54 % an nicht-epileptischen Störungen litten. Mit EpiScalp konnte die Fehldiagnoserate von 54 % auf nur 17 % reduziert werden. Das Tool erreichte eine beeindruckende Genauigkeit von 90,4 % und eine Spezifität von 96,3 %.
Fehldiagnosen von Epilepsie können schwerwiegende Folgen haben, darunter unnötige Nebenwirkungen von Antiepileptika, soziale Einschränkungen und eine verzögerte Behandlung der tatsächlichen Ursache. Mit EpiScalp könnten viele dieser Probleme vermieden werden. „Diese Patienten hatten Nebenwirkungen der Antiepileptika, ohne dass sie an Epilepsie litten“, erklärt Professor Khalil Husari, Co-Autor der Studie.
Die Forscher planen, EpiScalp in größeren Studien zu testen und die Technologie weiter zu verfeinern. Das Team hat bereits ein Patent für die Technologie angemeldet und untersucht derzeit die Anwendung in klinischen Umgebungen. Sollte sich EpiScalp weiterhin als effektiv erweisen, könnte dies ein Wendepunkt in der Epilepsiediagnose und -behandlung sein.
Zielsetzung: Während ein EEG (Elektroenzephalogramm) der Kopfhaut eine wichtige Rolle bei der Diagnose von Epilepsie spielt, ist der diagnostische Wert eines einzelnen routinemäßigen EEGs begrenzt. Nur ein kleiner Prozentsatz der routinemäßigen EEGs zeigt interiktale epileptiforme Entladungen (IEDs), und die Gesamtrate von Fehldiagnosen bei Epilepsie liegt bei 20 % bis 30 %. Ziel dieser Studie ist es zu zeigen, wie Netzwerk-Eigenschaften in EEG-Aufzeichnungen genutzt werden können, um die Geschwindigkeit und Genauigkeit bei der Unterscheidung von Epilepsie und deren Nachahmungen, wie beispielsweise funktionelle Anfälle, zu verbessern – selbst in Abwesenheit von IEDs.
Gehirntumore wachsen im Takt der biologischen Uhr: Sogar die Behandlungszeit ist entscheidend
Methoden: In dieser multizentrischen Studie wurden routinemäßige EEGs der Kopfhaut von 218 Patienten mit Verdacht auf Epilepsie und normalen initialen EEGs analysiert. Die endgültigen Diagnosen der Patienten wurden später durch die Aufnahme in eine Epilepsieüberwachungseinheit (EMU) bestätigt. Rund 46 % der Patienten wurden letztlich mit Epilepsie diagnostiziert, während 54 % an nicht-epileptischen Zuständen litten. Ein logistische Regressionsmodell wurde unter Verwendung spektraler und netzwerkbasierter EEG-Merkmale trainiert, um zwischen Epilepsie und Nicht-Epilepsie zu unterscheiden. Von den 218 Patienten wurden 90 % für das Training und 10 % für die Testung verwendet. Innerhalb des Trainingsdatensatzes wurde eine 10-fache Kreuzvalidierung durchgeführt. Das daraus resultierende Tool wurde „EpiScalp“ genannt.
Ergebnisse: EpiScalp erreichte eine Fläche unter der Kurve (AUC) von 0,940, eine Genauigkeit von 0,904, eine Sensitivität von 0,835 und eine Spezifität von 0,963 bei der Klassifizierung von Patienten mit oder ohne Epilepsie.
Interpretation: EpiScalp bietet eine präzise diagnostische Unterstützung basierend auf einem einzigen initialen EEG, selbst in schwierigeren Epilepsiefällen mit normalen initialen EEGs. Dies könnte einen Paradigmenwechsel in der Epilepsiediagnose darstellen, indem eine objektive Messung der Epilepsiewahrscheinlichkeit aus zuvor unauffälligen EEGs abgeleitet wird.
TEILEN SIE DEN ARTIKEL
HABEN SIE EINEN KOMMENTAR?