Bis zu 35% der Personen, bei denen Epilepsie diagnostiziert wurde, entwickeln eine pharmakoresistente Epilepsie. Die anhaltende, unkontrollierte Anfallstätigkeit beeinträchtigt die Lebensqualität erheblich. Die Ursachen der Pharmakoresistenz sind unklar. Es wird vermutet, dass wiederholte anfallsauslösende Aktivitäten zur Entwicklung eines robusteren epileptogenen Netzwerks beitragen.
Um sicherzustellen, dass die effektivsten Behandlungsentscheidungen getroffen werden und anfallsauslösende Aktivität minimiert wird, ist eine präzise Ergebnismodellierung zum Zeitpunkt der Diagnose entscheidend. Eine Forschungsgruppe der Universität Liverpool hat eine systematische Literaturrecherche nach Modellen zur Vorhersage von Behandlungsergebnissen bei neu diagnostizierter Epilepsie durchgeführt. Die Ergebnisse dieser Untersuchung wurden auf dem Preprint-Server 'MedRxiv' veröffentlicht.
Systematische Literaturrecherche: Vorhersagemodelle aus MEDLINE und EMBASE
Die Studie zielte darauf ab, demografische, klinische, physiologische (z.B. EEG) und bildgebende (z.B. MRT) Faktoren zu identifizieren, die prädiktiv für Behandlungsergebnisse bei Patienten mit neu diagnostizierter Epilepsie (NDE) sein könnten. Dazu wurde eine systematische Durchsuchung der bibliografischen Datenbanken MEDLINE (Medical Literature Analysis and Retrieval System Online) und EMBASE (Excerpta Medica Database) nach Vorhersagemodellen für Behandlungsergebnisse bei Patienten mit NDE durchgeführt, die einen nicht invasiven Behandlungsplan hatten. Die Charakteristika der ausgewählten Studien wurden extrahiert und auf Verzerrungsrisiko und Anwendbarkeitsbedenken bewertet.
Geringe Anwendbarkeitsbedenken, hohes Bias-Risiko
Nach der Durchsicht identifizierten die Forscher 48 Modelle in 32 Studien. Diese zeigten zwar nur geringe Anwendbarkeitsbedenken, wiesen aber durchweg hohe Anfälligkeiten für Verzerrung (Risk of Bias, RoB) auf. Die Ergebnisse waren heterogen, ließen sich jedoch grob in vier Kategorien einteilen: Pharmakoresistenz, kurzfristige Behandlungsreaktion, Anfallremission und Mortalität.
Die prognostischen Faktoren waren ebenfalls heterogen. Diejenigen, die häufig statistisch signifikant mit den Ergebnissen in Verbindung standen, betrafen Anfallsmerkmale (Semiologie), die Geschichte der Epilepsie und das Alter bei Erkrankungsbeginn.
In vielen Fällen wurde die Reaktion auf Antiepileptika (Antiseizure Medications, ASM) als Faktor für die Vorhersage einbezogen, was möglicherweise die Beziehungen zu den Ausgangsbedingungen verschleierte.
Maßnahmen zur Bias-Minimierung
Obwohl es unwahrscheinlich ist, dass Modelle, die im klinischen Kontext erstellt wurden, frei von Verzerrung (RoB) sind, können Maßnahmen ergriffen werden, um diese zu minimieren und somit die Anwendbarkeit der Forschungs- und Vorhersagemodelle zu verbessern. Zum Beispiel könnten Zeitschriftenredakteure (ähnlich wie bei CONSORT) und Forschende durch die Einhaltung der Modellierungsrichtlinien von TRIPOD (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis) sowie die klare Berichterstattung über Studien- und Modellcharakteristika dazu beitragen, die Kommunikation und Akzeptanz in der Forschung zu verbessern.
Zukünftige Maßnahmen bei Vorhersagemodellen in Epilepsieforschung
Die Autoren betonen die Bedeutung detaillierter Anfallbeschreibungen und familiärer/persönlicher Anamneseinformationen zu Beginn von Forschungs- und Vorhersagemodellen. Zusätzlich wird vorgeschlagen, bei der Gestaltung von Studien auf homogene, vordefinierte Zeitpunkte anstelle des letzten Follow-ups zu achten, um die Konsistenz von Vorhersagemodellen in der Epilepsieforschung zu verbessern. Dies könnte durch die Entwicklung eines Core Outcome Sets für NDE erreicht werden, so die Studienautoren.
