Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

חיזוי תוצאת ניתוחים באפילפסיה עמידה לתרופות על ידי שילוב ביו־סמנים בין־אפשריים במסגרת למידת מכונה

· חזרה לאינדקס

מדוע המחקר הזה חשוב למשפחות עם אפילפסיה

לילדים שהתפרצויותיהם אינן נענות לטיפול תרופתי, ניתוח מוח יכול להציע את התקווה לחיים ללא פרכוסים. עם זאת, המנתחים נדרשים לקבל החלטה קריטית: אילו אזורים זעירים של רקמת מוח להסיר תוך שמירה על רקמות בריאות. מחקר זה בוחן כיצד אלגוריתמים ממוחשבים יכולים לנתח הקלטות מוח שגרתיות שנלקחות בזמן בין הפרכוסים כדי להנחות טוב יותר את הבחירה הזו ולעזור לחזות אילו ילדים הכי צפויים להפיק תועלת מהניתוח.

מחפשים רמזים בין הפרכוסים

באופן מסורתי, רופאים מסתמכים על פעילות מוחית המתועדת במהלך פרכוס בפועל כדי לאמוד את האזור האפילפטוגני — האזור החשוד כגורם לפרכוסים. עם זאת, לכידת מספיק פרכוסים עשויה לדרוש ימי ניטור בבית החולים ועדיין לפספס אזורים חשובים. החוקרים התמקדו במקום זאת בנתונים בין־פרכוסיים, האותות החשמליים הנרשמים כאשר אין פרכוס פעיל. מרווחים שקטים אלה מכילים אירועים חריפים קצרים הנקראים זעזועים (spikes) וריפלים (ripples) שעשויים לרמוז היכן מתחילים הפרכוסים, אך כל סוג בפני עצמו לרוב אינו מדויק מספיק כדי לכוון ניתוח. הצוות חקר האם שילוב תכונות רבות של זעזועים וריפלים באמצעות למידת מכונה יכול לחדד את התמונה.

Figure 1. שימוש באותות מוח בין הפרכוסים ובבינה מלאכותית כדי למפות אילו אזורי מוח יש להסיר בניתוח באפילפסיה עמידה לתרופות.
Figure 1. שימוש באותות מוח בין הפרכוסים ובבינה מלאכותית כדי למפות אילו אזורי מוח יש להסיר בניתוח באפילפסיה עמידה לתרופות.

הפיכת אותות מוח מורכבים לתכונות ישימות

החוקרים ניתחו הקלטות מוח מ‑62 ילדים ומבוגרים צעירים עם אפילפסיה מוקדית עמידה לתרופות שעברו ניטור פולשני עם אלקטרודות שממוקמות ישירות על או בתוך המוח. לכל אחד היה לפחות חמש דקות של נתוני בין‑פרכוס נקיים ולפחות שנה של מעקב אחרי הניתוח. גלאים אוטומטיים סרקו תחילה את ההקלטות כדי לזהות זעזועים וריפלים. עבור כל אלקטרודה מדדו הצוות כמה פעמים אירועים אלה הופיעו, עד כמה הם חזקים, איך הם התפשטו לעבר אלקטרודות שכנות וכמה קרוב כל מגע היה לפתיחות אירועים ולמוקדי פעילות. בסך הכל יצרו מערך של תכונות טמפורליות, ספקטרליות ומרחביות שמתארות את הרגישות המקומית וכיצד פעילות חריגה התפשטה דרך המוח.

אימון מכונות על ניתוחים מוצלחים

כדי ללמד את המערכת מהי רקמה שבאמת אפילפטוגנית, החוקרים השתמשו רק בחולים שהפכו ללא פרכוסים לאחר הניתוח. אצל ילדים אלה, הרקמה שהוסרה או הושמדה סביר שהכילה את אזור יצירת הפרכוסים הקריטי. כל אלקטרודה בתוך החיתוך סומנה כאפילפטוגנית, ואילו אלה שבחוץ סומנו כלא‑אפילפטוגניות. באמצעות תיוג זה אימנו את מערכי המקרים ממייני Random Forest, סוג של מודל למידת מכונה, על שלושה קלטים שונים: תכונות המבוססות על זעזועים בלבד, תכונות מבוססות על ריפלים בלבד או שילוב של כל התכונות. המודלים למדו דפוסים שמבדילים מגעים אפילפטוגניים מהשאר ואז הפיקו איזור אפילפטוגני מנבא עבור כל מטופל.

Figure 2. כיצד דפוסים מפורטים של זעזועים וריפלים על האלקטרודות המוחיות מכוונים מודל בינה מלאכותית לזהות מגעים הגורמים לפרכוסים.
Figure 2. כיצד דפוסים מפורטים של זעזועים וריפלים על האלקטרודות המוחיות מכוונים מודל בינה מלאכותית לזהות מגעים הגורמים לפרכוסים.

עד כמה המודלים התאימו לניתוחים אמיתיים

במבחן, מודלים שהתבססו על תכונות זעזועים ועל תכונות משולבות של זעזועים וריפלים ביצעו הכי טוב. הם הפרידו במדויק יחסית בין מגעים אפילפטוגניים ללא‑אפילפטוגניים, ואזורי החיזוי שלהם חופפו בכ‑75% לערך למחיקה בפועל בחולים שהפכו ללא פרכוסים. לעומת זאת, רוב מדידות יחיד, כגון שיעור זעזועים לבדו, היו פחות אמינות. ממצא חשוב היה שסידור מרחבי מדויק של הזעזועים, ובמיוחד עד כמה אלקטרודה קרובה לפעילות המוקדמת או החזקה ביותר, סיפק מידע עשיר יותר מאשר ספירות אירועים בלבד. תכונות הריפל הוסיפו שיפור מתון מעבר לזעזועים, אולי מפני שריפלים יכולים להופיע גם באזורים מוחיים בריאים.

קישור תחזיות לתוצאות בחיי היומיום

לאחר מכן בדקו החוקרים שאלה מעשית: אם לפחות חצי מהאזור האפילפטוגני החזוי שוכן בתוך הרקמה שהמנתח הסיר, האם המטופל נוטה להסתדר טוב? באמצעות מודל התכונות המשולב כלל לחוקרים כלל פשוט זה זיהה ילדים ללא פרכוסים ברגישות של 88% ובספציפיות של 68%, וביצע טוב יותר מאזור תחילת הפרכוס הקלאסי שהוגדר על ידי מומחים. אצל מטופלים שהמשיכו לחוות פרכוסים, האזור החזוי לעיתים שכנו חלקית או ברובו מחוץ לאזור שהוסר, מה שמרמז שרקמה אפילפטוגנית חשובה נותרה או שלא ניתן היה להסירה בבטחה.

מה זה יכול לשנות בעתיד טיפול באפילפסיה

עבור משפחות המתמודדות עם אפשרות ניתוח אפילפסיה, עבודה זו מרמזת שמספר דקות בודדות של הקלטת מוח בין פרכוסים עשויות בעתיד לסייע לתכנון מדויק יותר של ניתוחים ולהערכת סיכויי ההצלחה. בעוד שהשיטה עדיין זקוקה לבדיקה פרוספקטיבית בקבוצות גדולות ואחידות יותר של מטופלים, היא מראה כי שילוב של תכונות עדינות רבות של פעילות מוחית עם למידת מכונה יכול לספק תמונה בהירה ומחושבת יותר של מקום היווצרות הפרכוסים ועד כמה הניתוח פגע באזורים אלה.

ציטוט: Partamian, H., Jahromi, S., Perry, M.S. et al. Predicting surgical outcome in drug-resistant epilepsy by combining interictal biomarkers within a machine learning framework. Sci Rep 16, 15166 (2026). https://doi.org/10.1038/s41598-026-45177-x

מילות מפתח: ניתוח אפילפסיה, EEG בין־פרכוסי, למידת מכונה, אפילפסיה בילדים, האזור האפילפטוגני