Multivariate resting-state EEG markers differentiate people with epilepsy and functional seizures

Dit onderzoek toont aan dat multivariate rust-EEG-netwerkmaten, geanalyseerd met machine learning, epilepsie en functionele aanvallen met een significant hogere dan willekeurige nauwkeurigheid kunnen onderscheiden, waarbij de methode vooral specifiek is voor het detecteren van epilepsie en potentieel kan dienen als beslissingsondersteuning in de kliniek.

De kern

Titel: De hersenen als een stad: Hoe een nieuwe "stadsplanner" epilepsie van functionele aanvallen kan onderscheiden

Stel je je hersenen voor als een enorme, drukke stad. In deze stad zijn er miljoenen kleine boodschappers (neuronen) die voortdurend met elkaar praten via wegen (zenuwbanen). Soms is het verkeer in deze stad heel rustig en georganiseerd, en soms raakt het in de war.

Deze wetenschappelijke studie probeert een heel lastig probleem op te lossen: Hoe weet je of iemand epilepsie heeft of "functionele aanvallen" (FDS)?

• Epilepsie is alsof er een kortsluiting is in de elektriciteitscentrale van de stad. De boodschappers schreeuwen allemaal tegelijk en op een onnatuurlijke manier.
• Functionele aanvallen (FDS) lijken erop, maar de elektriciteitscentrale werkt prima. Het is meer alsof de verkeerslichten even uitvallen door stress of een andere oorzaak, maar de wegen zelf zijn niet beschadigd.

Voor artsen is dit onderscheid maken vaak als het zoeken naar een speld in een hooiberg. Een standaard EEG (een hersenmeting) kijkt vaak alleen naar de "boodschappers" die luid schreeuwen. Als ze stil zijn (tussen aanvallen door), ziet de EEG er vaak "normaal" uit, en dan weten artsen het niet meer.

Wat hebben de onderzoekers gedaan?

In plaats van alleen te kijken naar één boodschapper, hebben deze onderzoekers (uit Birmingham en Londen) gekeken naar het hele netwerk. Ze hebben gekeken naar hoe de wegen met elkaar verbonden zijn.

Ze hebben een slim computerprogramma (machine learning) getraind om te kijken naar de structuur van het verkeer in de stad, zelfs als er geen kortsluiting is. Ze keken specifiek naar een bepaalde snelheid van het verkeer (de "lage alfa"-frequentie, een soort rustige, maar actieve toestand).

De drie slimme regels van de computer

Het computerprogramma leerde drie belangrijke dingen om het verschil te zien:

1. Hoe goed is het verkeer verbonden? (Netwerk-efficiëntie)
2. Is er een duidelijke hiërarchie? (Wie geeft leiding aan wie?)
3. Hoe sterk is de samenwerking? (Gemiddelde functionele connectiviteit)

Het programma heeft gekeken naar 148 mensen. De helft had epilepsie, de andere helft had functionele aanvallen. Belangrijk: deze mensen hadden allemaal een "normale" EEG, dus de artsen konden het op het eerste gezicht niet zien.

Wat was het resultaat?

Het computerprogramma was beter dan raden, maar niet perfect.

• Het had ongeveer 67,5% kans om het juiste antwoord te geven.
• Het was heel goed in het vinden van epilepsie (het kon 82% van de epilepsie-patiënten herkennen).
• Het was minder goed in het herkennen van functionele aanvallen (slechts 53%).

De belangrijkste les: Als het programma zegt "Dit is epilepsie", kun je dat waarschijnlijk vertrouwen. Maar als het zegt "Dit is geen epilepsie", betekent dat niet automatisch dat het functionele aanvallen zijn. Het is een hulpmiddel om de kans te berekenen, geen magische waarzegger.

Waarom is dit belangrijk?

Stel je voor dat je een arts bent en een patiënt heeft die aanvallen heeft, maar je EEG is normaal. Je zit dan in een grijs gebied.

• Als je epilepsie medicatie geeft aan iemand met functionele aanvallen, helpt het niet en heeft het bijwerkingen.
• Als je niets doet bij iemand met epilepsie, kan het gevaarlijk zijn.

Deze nieuwe methode werkt als een tweede mening. Het helpt de arts om te zeggen: "Op basis van de structuur van je hersenverkeer, is de kans op epilepsie groter dan gemiddeld." Dit kan helpen om sneller de juiste behandeling te starten en de patiënt niet in onzekerheid te laten.

De beperkingen (De "maar...")

De onderzoekers zijn eerlijk:

1. Het werkt het beste bij mensen die geen andere zware ziektes hebben.
2. Het is nog een prototype. Het moet nog getest worden op nieuwe groepen mensen voordat het echt in de kliniek kan worden gebruikt.
3. Het kan epilepsie goed vinden, maar het kan functionele aanvallen nog niet met 100% zekerheid bevestigen.

Conclusie

Dit onderzoek is als het vinden van een nieuwe kaart voor de stad. Vroeger keken artsen alleen naar de verkeerslichten (de EEG). Nu kijken ze ook naar de wegen en de stadsplanning (het netwerk). Het is nog niet perfect, maar het is een enorme stap voorwaarts om de juiste diagnose te stellen voor mensen die al lang in de war zijn over wat er met hen aan de hand is.

Technische samenvatting

Probleemstelling

Het onderscheiden van epilepsie van functionele/dissociatieve aanvallen (FDS, ook wel psychogene niet-epileptische aanvallen) is een aanhoudende diagnostische uitdaging in de klinische praktijk. Foutieve diagnoses leiden tot vertraging in de juiste behandeling en vormen een aanzienlijk risico voor patiënten. Hoewel routine-EEG's vaak visueel normaal zijn bij beide groepen (vooral bij niet-lesionale epilepsie en FDS), biedt kwantitatieve analyse van deze data potentie voor het ontwikkelen van beslissingshulpmiddelen. Eerdere studies met univariate (enkelkanaals) kenmerken hadden beperkte diagnostische validiteit, vooral wanneer verstorende factoren zoals medicatie en comorbiditeiten werden gecontroleerd. Dit onderzoek onderzoekt of multivariate kenmerken, specifiek netwerkgebaseerde maten uit rust-EEG, een betere discriminatie kunnen bieden.

Methodologie

Dataset en Populatie

• Deelnemers: Een dataset van 148 volwassenen met een vermoeden van een aanvalstoornis, die later een specialistische diagnose kregen: niet-lesionale epilepsie ($n=75$) of FDS ($n=73$).
• Controlemaatregelen: De groepen waren qua leeftijd en geslacht gematcht. Cruciaal is dat alle deelnemers op het moment van de EEG-opname geen middelen voor het centrale zenuwstelsel (CNS) gebruikten en geen ernstige neurologische of psychiatrische comorbiditeiten hadden.
• EEG-data: 21-kanaals klinische EEG-data, opgenomen met gesloten ogen in rusttoestand (interictaal). De data waren visueel normaal (geen epileptiforme afwijkingen). De data werden voorverwerkt (downsampling naar 256 Hz, filtering, verwijdering van artefacten via ICA) en opgedeeld in 22-seconde segmenten (epochs).

Netwerkanalyse en Kenmerkextractie

• Frequentieband: Analyse uitgevoerd in het 6–9 Hz bereik (laag-alfa, soms aangeduid als lage theta).
• Netwerkbouw:
  • Toepassing van een Hilbert-transformatie.
  • Berekening van de Phase-Locking Factor (PLF) en lag tussen alle kanaalparen.
  • Statistische significantie van verbindingen bepaald door vergelijking met 99 surrogate data (iAAFT algoritme).
  • Constructie van een gerichte, gewogen graaf waarbij indirecte paden worden verwijderd om directe connectiviteit te isoleren.
• Geselecteerde Maten: Er werden zes functionele connectiviteitsmaten berekend:
  1. Gemiddelde clusteringcoëfficiënt (topologische lokale connectiviteit).
  2. Gemiddelde functionele connectiviteit (globale koppelingssterkte).
  3. Netwerkefficiëntie (informatieverspreiding).
  4. Trofische incoherentie (hiërarchische structuur/directie).
  5. Gemiddelde tussenkerncentraleiteit (belang van knooppunten).
  6. Kritieke koppeling (theoretisch vermogen tot synchronisatie op basis van een Kuramoto-model).

Machine Learning en Validatie

• Kenmerkselectie: Backward feature elimination met een Naïve Bayes-classificator om de meest informatieve subset te vinden.
• Validatieframework: Een geneste kruisvalidatie (nested cross-validation) om data-lekkage te voorkomen en hyperparameters optimaal te kiezen zonder bias.
  • Buitenste laag: 10-voudige kruisvalidatie voor evaluatie van de prestaties.
  • Binnenste laag: 10-voudige kruisvalidatie binnen de trainingsset voor hyperparameter-tuning (zoals dimensiereductie, transformaties, model-specifieke parameters).
• Modelvariaties: 14 verschillende classificatiemodellen werden getest (o.a. SVM met verschillende kernels, Random Forest, k-NN, XGBoost, Neural Networks).
• Stabiliteitstest: Er werd getest of het middelen van kenmerken over meerdere EEG-epochs (minimaal 4 epochs per persoon) de prestaties verbeterde.

Belangrijkste Resultaten

Prestatie en Accuraatheid

• De netwerkmaten konden epilepsie onderscheiden van FDS met een significant hogere nauwkeurigheid dan toeval.
• Beste prestatie: Een Balanced Accuracy van 67,5% werd bereikt met een Support Vector Machine (SVM) met een Radial Basis Function (RBF) kernel, zonder dimensiereductie, en alleen voor personen met minimaal 4 EEG-epochs.
• Sensitiviteit: De modellen waren consistent gevoeliger voor epilepsie (81,8%) dan voor FDS (53,3%). Dit suggereert dat de maten specifiek zijn voor epileptische kenmerken en niet als directe "positieve" markers voor FDS kunnen worden geïnterpreteerd.
• Consistentie: Drie van de beste modellen (SVM-RBF, Random Forest, k-NN) gaven voor 77,5% van de individuen een consistente diagnose, wat wijst op robuuste diagnostische informatie in de data.

Invloed van Modelkeuzes

• Epoch-middeling: Het gebruik van gemiddelde kenmerken over meerdere epochs (in plaats van één willekeurige) verbeterde de prestaties aanzienlijk (van ~62,6% naar 67,5%).
• Dimensiereductie: PCA en Spectral Embedding leverden geen significante verbetering op; de ruwe feature-set (vooral de drie beste kenmerken: netwerkefficiëntie, trofische incoherentie en gemiddelde functionele connectiviteit) bleek al optimaal.
• Modeltype: Niet-lineaire modellen presteerden het beste. Lineaire modellen (zoals Logistische Regressie) presteerden slechter.

Subgroepanalyse

• De prestaties waren vergelijkbaar voor mannen en vrouwen.
• De aanwezigheid van comorbiditeiten leidde tot lagere prestaties, voornamelijk door een verminderde sensitiviteit voor FDS.
• Personen met visueel normale EEG's werden even goed geclassificeerd als die met epilepsie-specifieke afwijkingen elders in de opname, wat wijst op de robuustheid van de netwerkmaten.

Bijdragen en Betekenis

Klinische Validiteit
Dit is de eerste studie die aantoont dat multivariate netwerkmaten uit rust-EEG (die visueel normaal lijken) kunnen worden gebruikt om epilepsie van FDS te onderscheiden voordat behandeling wordt gestart. Dit biedt potentie voor het schatten van de post-test waarschijnlijkheid in de kliniek, wat kan helpen bij het verminderen van diagnostische vertragingen.

Methodologische Richtlijnen
Het onderzoek biedt concrete aanbevelingen voor toekomstige translational studies:

1. Gebruik meerdere EEG-epochs om de stabiliteit van de kenmerken te verhogen.
2. Kies voor niet-lineaire modellen (zoals SVM met RBF kernel) voor deze complexe data.
3. Focus op netwerkmaten (efficiëntie, hiërarchie, koppeling) in plaats van enkelvoudige univariate kenmerken.

Beperkingen en Toekomst

• De huidige modellen zijn beter in het detecteren van epilepsie dan het bevestigen van FDS. Een positieve diagnose van FDS blijft moeilijk uitsluitend op basis van deze EEG-markers.
• De dataset is retrospectief en bevat mogelijk een kleine mate van misdiagnose (hoewel video-EEG bevestiging beschikbaar was voor de meeste FDS-patiënten).
• Toekomstig werk vereist validatie op onafhankelijke datasets en evaluatie in real-world klinische settings om de impact op patiëntuitkomsten te meten.

Conclusie
Het onderzoek levert bewijs dat multivariate rust-EEG-netwerkmaten een waardevol hulpmiddel kunnen zijn in de differentiatie van epilepsie en functionele aanvallen, met name door het benutten van complexe, niet-lineaire patronen in de hersenconnectiviteit die niet zichtbaar zijn voor het menselijk oog.