Probleme bei der Epilepsie-Diagnostik
Mit einer geschätzten Lebenszeitprävalenz von etwa 1% in der Allgemeinbevölkerung ist die Epilepsie eine häufige neurologische Erkrankung, die erheblichen Einfluss auf die Lebensqualität der Betroffenen haben kann. Nach der International League Against Epilepsy (ILAE) kann die Diagnose Epilepsie gestellt werden, wenn ein Patient mindestens zwei unprovozierte Anfälle erlebt hat oder wenn bereits ein unprovozierter Anfall aufgetreten ist und das Risiko für weitere Anfälle bei 60 % oder höher liegt. Die klinische Diagnosestellung ist jedoch häufig erschwert, da sich die Anfälle in der Regel nicht in Anwesenheit eines Arztes ereignen.
Ein Kurzzeit-Elektroenzephalogramm (EEG) mit einer Dauer von 20 bis 60 Minuten oder ein Routine-EEG kann die Diagnosestellung nach einem ersten einzelnen unprovozierten Anfall unterstützen. Interiktale epileptiforme Entladungen auf dem Routine-EEG verdoppeln das Risiko rekurrenter Anfälle und ermöglichen so die Diagnose einer Epilepsie.
Selbst bei Neurophysiologen kommt es jedoch häufig zu Überinterpretationen von EEG-Wellenformen als interiktale epileptiforme Entladungen, was zu Fehldiagnosen von Epilepsie führen kann. Gleichzeitig sind Routine-EEGs nach einem ersten unprovozierten Anfall oft nicht zuverlässig in der Erfassung interiktaler epileptiformer Entladungen, was die diagnostische Genauigkeit weiter beeinträchtigt.
Computergestützte Analyse von Routine EEGs
Die computergestützte Analyse von Routine-EEGs könnte die Genauigkeit der Epilepsiediagnostik verbessern. Wissenschaftler aus Kanada, dem Vereinten Königreich und den Niederlanden analysierten ausgewählte Studien, in denen computergestützte Methode zur Auswertung von Routine-EEGs für die Epilepsie-Diagnostik untersucht wurden.
Es wurden ausschließlich Studien über Methoden eingeschlossen, die sich nicht auf die Identifizierung interiktaler epileptiformer Entladungen oder die Erkennung von Anfällen stützten.
Ziel der Analyse war es, die diagnostische Leistung von computergestützt berechneten Biomarkern für Epilepsie im Routine-EEG systematisch zu bewerten.
Hohe Verzerrungsrisiko in allen Studien
Von über 10.000 gescreenten Studien wurden 37 mit einer Stichprobengröße von acht bis 192 in die Analyse aufgenommen. Die berechneten Biomarker basierten auf linearen und nicht-linearen Methoden sowie auf künstlichen neuronalen Netzwerken (künstliche Intelligenz). Die in den Studien ermittelte diagnostische Genauigkeit lag zwischen 64% und 100 %.
Das Verzerrungsrisiko war jedoch in allen Studien hoch oder intransparent. Ein bedeutendes Verzerrungsrisiko entstand z. B. durch die mangelhafte Berücksichtigung von neurologischen Komorbiditäten sowie dem Alter der Probanden, wobei beide Faktoren erhebliche Auswirkungen auf das Routine-EEG haben können.
Auch Datenlecks schränkten unter anderem die Genauigkeit der Ergebnisse vieler Studien ein. Die große methodische Heterogenität der Studien verhinderte eine Zusammenführung der Genauigkeitsmessungen.
Forderung nach Standards für zukünftige Studien
Die Autoren der Analyse konnten in der von ihnen ausgewählten Literatur keine ausreichenden Belege für den Nutzen der computergestützten Analyse von Routine-EEGs zur Epilepsiediagnose finden.
Die ausgewählten Studien wiesen ein hohes Verzerrungsrisiko unter anderem bei der Patientenauswahl, der Definition des Referenzstandards und der zur Validierung der diagnostischen Genauigkeit verwendeten Methodik auf.
Aufgrund seiner Zugänglichkeit und seines Informationsgehalts bleibt das Routine-EEG jedoch ein wichtiger Anwärter bei der Suche nach quantitativen Markern für das Anfallsrisiko.
Empfehlungen für eine Verbesserung der Studien
Für ein besseres Design zukünftiger Studien geben die Autoren unter anderem folgende Empfehlungen:
- Sorgfältig geplante Patientenauswahl
- Klar definierte Epilepsie-Diagnose als Referenzstandard
- Nachvollziehbare Verzerrungsrisiken
- Öffentlich zugängliche Datensätze und Codes
- Umfassende Überprüfung auf Datenlecks
- Automatische Segmentierung von EEGs
- Statistische Validierung von Konnektivitätsanalysen
- Nutzung von Deep Learning, um unabhängig von der Datenvorbereitung zu werden
- Klare Wege zur klinischen Translation und Anwendbarkeit aufzeigen
