Predire l’esito chirurgico nell’epilessia resistente ai farmaci combinando biomarcatori interictali in un framework di machine learning

Perché questa ricerca è importante per le famiglie con epilessia

Per i bambini le cui crisi non rispondono ai farmaci, la chirurgia cerebrale può offrire la speranza di una vita senza crisi. Tuttavia i chirurghi devono prendere una decisione critica: quali piccole aree di tessuto rimuovere preservando quelle sane. Questo studio esplora come algoritmi informatici possano analizzare registrazioni cerebrali di routine effettuate tra le crisi per guidare meglio questa scelta e aiutare a prevedere quali bambini hanno maggiori probabilità di beneficiare dell’intervento.

Cercare indizi tra le crisi

Tradizionalmente i medici si basano sull’attività cerebrale registrata durante una crisi per stimare la zona epilettogena, l’area ritenuta in grado di scatenare le crisi. Catturare un numero sufficiente di crisi può però richiedere giorni di monitoraggio ospedaliero e può comunque non evidenziare regioni cruciali. Gli autori si concentrano invece sui dati interictali, i segnali elettrici registrati quando non è in corso alcuna crisi. Questi intervalli silenziosi contengono brevi eventi anomali chiamati spike e ripple che possono indicare dove iniziano le crisi, ma ciascun tipo da solo è spesso troppo impreciso per guidare la chirurgia. Il gruppo si è quindi proposto di verificare se combinare molte proprietà di spike e ripple con il machine learning potesse chiarire questa immagine.

Trasformare segnali cerebrali complessi in feature utilizzabili

I ricercatori hanno analizzato registrazioni cerebrali di 62 bambini e giovani adulti con epilessia focale resistente ai farmaci sottoposti a monitoraggio invasivo con elettrodi posizionati sulla o nel cervello. Tutti avevano almeno cinque minuti di dati interictali puliti e almeno un anno di follow-up dopo l’intervento. Rilevatori automatici hanno prima scandagliato le registrazioni per spike e ripple. Per ogni elettrodo il team ha poi misurato quanto frequentemente si verificavano questi eventi, quanto erano intensi, come si propagavano agli elettrodi vicini e quanto ciascun contatto fosse vicino agli inizi degli eventi e ai punti caldi. In totale hanno creato un insieme di feature temporali, spettrali e spaziali che descrivono l’eccitabilità locale e come l’attività anomala si propaga nel cervello.

Addestrare le macchine su interventi riusciti

Per insegnare al sistema com’è realmente il tessuto epilettogeno, gli autori hanno usato solo pazienti che sono diventati liberi da crisi dopo l’intervento. Per questi bambini, il tessuto rimosso o ablato conteneva molto probabilmente la zona critica generatrice di crisi. Ogni elettrodo all’interno di questa resezione è stato etichettato come epilettogeno, e quelli al di fuori come non epilettogeni. Con queste etichette il team ha addestrato classificatori Random Forest, un tipo di modello di machine learning, su tre input differenti: solo feature basate sugli spike, solo feature basate sui ripple, o una combinazione di tutte le feature di spike e ripple. I modelli hanno imparato pattern in grado di distinguere i contatti epilettogeni dagli altri e hanno poi prodotto una zona epilettogena predetta per ciascun paziente.

Quanto i modelli si sono sovrapposti alle resezioni reali

Nei test, i modelli basati sulle feature degli spike e sulle feature combinate spike più ripple hanno ottenuto le migliori prestazioni. Hanno distinto correttamente i contatti epilettogeni da quelli non epilettogeni con alta accuratezza e le loro zone predette si sono sovrapposte a circa tre quarti della resezione effettiva nei pazienti liberi da crisi. Al contrario, la maggior parte delle singole misure, come la sola frequenza di spike, era meno affidabile. Un risultato importante è stato che l’esatta disposizione spaziale degli spike, in particolare quanto un elettrodo fosse vicino all’attività più precoce o più intensa, forniva informazioni più ricche rispetto al semplice conteggio degli eventi. Le feature dei ripple hanno apportato solo guadagni modesti oltre gli spike, forse perché i ripple possono comparire anche in aree cerebrali sane.

Collegare le previsioni agli esiti clinici

Il team ha poi posto una domanda pratica: se almeno la metà della zona epilettogena predetta si trovava all’interno del tessuto rimosso dal chirurgo, il paziente tendeva a ottenere un buon risultato? Utilizzando il modello con feature combinate, questa regola semplice ha individuato i bambini liberi da crisi con una sensibilità dell’88% e una specificità del 68%, superando la definizione tradizionale della zona di insorgenza delle crisi stabilita dagli specialisti. Nei pazienti che hanno continuato ad avere crisi, la zona predetta spesso ricadeva in parte o in larga misura al di fuori della regione asportata, suggerendo che tessuto epilettogeno importante era stato mancato o non poteva essere rimosso in sicurezza.

Cosa potrebbe significare per la cura futura dell’epilessia

Per le famiglie che si trovano ad affrontare la prospettiva di un intervento per l’epilessia, questo lavoro suggerisce che pochi minuti di registrazione cerebrale tra le crisi potrebbero un giorno aiutare i chirurghi a pianificare gli interventi con maggiore precisione e a stimare le probabilità di successo. Pur necessitando ancora di prove prospettiche su gruppi più ampi e più omogenei di pazienti, l’approccio dimostra che combinare molteplici e sottili caratteristiche dell’attività cerebrale con il machine learning può offrire una visione più chiara e più obiettiva di dove nascono le crisi e di quanto l’intervento abbia effettivamente preso di mira quelle regioni.

Citazione: 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

Parole chiave: chirurgia dell’epilessia, EEG interictale, machine learning, epilessia pediatrica, zona epilettogena