Het voorspellen van chirurgisch resultaat bij medicijnresistente epilepsie door interictale biomarkers te combineren binnen een machine learning-raamwerk

Waarom dit onderzoek van belang is voor gezinnen met epilepsie

Voor kinderen bij wie aanvallen niet reageren op medicatie kan hersenchirurgie de hoop bieden op een aanvalsvrij leven. Chirurgen staan echter voor een cruciale keuze: welke kleine hersenweefselgebieden te verwijderen terwijl gezond weefsel behouden blijft. Deze studie onderzoekt hoe computeralgoritmen routinematige hersenopnames tussen aanvallen kunnen doorzoeken om die keuze beter te begeleiden en te helpen voorspellen welke kinderen het meest waarschijnlijk baat hebben bij chirurgie.

Op zoek naar aanwijzingen tussen aanvallen

Traditioneel vertrouwen artsen op hersenactiviteit die tijdens een daadwerkelijke aanval is vastgelegd om de epileptogene zone te schatten, het gebied dat vermoedelijk aanvallen start. Het vastleggen van voldoende aanvallen kan echter dagen van ziekenhuisbewaking vergen en toch cruciale regio’s missen. De auteurs richten zich in plaats daarvan op interictale data, de elektrische signalen die worden geregistreerd wanneer er geen aanval plaatsvindt. Deze rustige periodes bevatten korte afwijkende gebeurtenissen genaamd spikes en ripples die kunnen wijzen op waar aanvallen beginnen, maar elk type afzonderlijk is vaak te onnauwkeurig om chirurgie te sturen. Het team onderzocht of het combineren van vele eigenschappen van spikes en ripples met machine learning dit beeld kan verscherpen.

Complexe hersensignalen omzetten in bruikbare kenmerken

De onderzoekers analyseerden hersenopnamen van 62 kinderen en jongvolwassenen met medicijnresistente focale epilepsie die invasieve monitoring ondergingen met elektroden direct op of in de hersenen. Allen hadden ten minste vijf minuten schone, interictale data en minimaal een jaar opvolging na de operatie. Geautomatiseerde detectoren scanden eerst de opnamen op spikes en ripples. Voor elke elektrode mat het team vervolgens hoe vaak deze gebeurtenissen voorkwamen, hoe sterk ze waren, hoe ze zich over naburige elektroden verspreidden en hoe dicht elk contact bij het begin van gebeurtenissen en hotspots lag. In totaal creëerden ze een set temporele, spectrale en ruimtelijke kenmerken die lokale prikkelbaarheid en de propagatie van abnormale activiteit door de hersenen beschrijven.

Machines trainen op succesvolle operaties

Om hun systeem te leren herkennen wat werkelijk epileptogeen weefsel is, gebruikten de auteurs alleen patiënten die na de operatie aanvalsvrij werden. Bij deze kinderen bevatte het verwijderde of geblachte weefsel waarschijnlijk de kritische aanvalgenerator. Elke elektrode binnen deze resectie werd gelabeld als epileptogeen, en die buiten als niet-epileptogeen. Met deze labels trainde het team Random Forest-classifiers, een type machine learning-model, op drie verschillende ingangen: alleen spike-gebaseerde kenmerken, alleen ripple-gebaseerde kenmerken, of een combinatie van alle spike- en ripple-kenmerken. De modellen leerden patronen die epileptogene contactpunten onderscheiden van de rest en produceerden vervolgens voor elke patiënt een voorspelde epileptogene zone.

Hoe goed de modellen overeenkwamen met echte operaties

Bij tests presteerden modellen die gebaseerd waren op spike-kenmerken en op gecombineerde spike-plus-ripple-kenmerken het best. Ze scheidden epileptogene van niet-epileptogene contactpunten met hoge nauwkeurigheid, en hun voorspelde zones overlappen ongeveer driekwart van de daadwerkelijke resectie bij aanvalsvrije patiënten. Ter vergelijking: de meeste enkele metingen, zoals alleen de spikemaatstaf, waren minder betrouwbaar. Een belangrijke bevinding was dat de exacte ruimtelijke ordening van spikes, vooral hoe dicht een elektrode bij de vroegste of sterkste activiteit lag, rijkere informatie bood dan louter tellingen van gebeurtenissen. Ripple-kenmerken voegden slechts bescheiden winst toe boven spikes, mogelijk omdat ripples ook in gezonde hersengebieden kunnen voorkomen.

Voorspellingen koppelen aan uitkomsten in het echte leven

Het team stelde vervolgens een praktische vraag: als ten minste de helft van de voorspelde epileptogene zone binnen het weefsel lag dat een chirurg had verwijderd, deed de patiënt het dan doorgaans goed? Met het gecombineerde kenmerkmodel identificeerde deze eenvoudige regel aanvalsvrije kinderen met een sensitiviteit van 88 procent en een specificiteit van 68 procent, en overtrof daarmee de traditionele aanvalbeginzone zoals gedefinieerd door specialisten. Bij patiënten die aanvallen bleven houden, lag de voorspelde zone vaak deels of grotendeels buiten het verwijderde gebied, wat suggereert dat belangrijk epileptogeen weefsel was gemist of niet veilig kon worden verwijderd.

Wat dit kan betekenen voor toekomstige epilepsiezorg

Voor families die voor de optie van epilepsiechirurgie staan, suggereert dit werk dat een paar minuten hersenopname tussen aanvallen chirurgen in de toekomst kunnen helpen operaties preciezer te plannen en de kans op succes in te schatten. Hoewel de aanpak nog prospectief getest moet worden in grotere en meer uniforme patiëntengroepen, laat het zien dat het combineren van meerdere subtiele kenmerken van hersenactiviteit met machine learning een duidelijker, objectiever beeld kan geven van waar aanvallen ontstaan en hoe volledig de chirurgie deze gebieden heeft aangepakt.

Bronvermelding: 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

Trefwoorden: epilepsiechirurgie, interictaal EEG, machine learning, pediatrische epilepsie, epileptogene zone