Прогнозирование исхода хирургического вмешательства при медикаментозно-резистентной эпилепсии с помощью объединения интериктальных биомаркеров в рамках машинного обучения

Почему это исследование важно для семей, столкнувшихся с эпилепсией

Для детей, чьи припадки не поддаются лекарствам, операция на мозге может дать надежду на жизнь без приступов. При этом хирурги должны принять критическое решение: какие крошечные участки ткани удалить, сохранив при этом здоровые зоны. В этом исследовании изучается, как компьютерные алгоритмы могут проанализировать рутинные записи активности мозга, сделанные между припадками, чтобы лучше направлять этот выбор и помочь предсказать, какие дети с наибольшей вероятностью выиграют от операции.

Поиск подсказок между припадками

Традиционно врачи ориентируются на активность мозга, записанную во время самого припадка, чтобы оценить эпилептогенную зону — область, считающуюся источником припадков. Однако для фиксации достаточного числа припадков требуется часто дни наблюдения в стационаре, и при этом можно упустить важные области. Авторы сосредоточились на интериктальных данных — электрических сигналах, записываемых в моменты без припадка. В эти тихие периоды возникают кратковременные аномальные события, называемые спайками и рипплами, которые могут указывать на место начала припадков, но каждое из них само по себе часто слишком неточно для планирования операции. Команда поставила задачу выяснить, сможет ли объединение множества свойств спайков и рипплов с машинным обучением прояснить картину.

Преобразование сложных сигналов мозга в пригодные признаки

Исследователи проанализировали записи мозга у 62 детей и молодых взрослых с медикаментозно-резистентной фокальной эпилепсией, которым выполнялась инвазивная регистрация с электродами, размещёнными непосредственно на или в мозге. У всех было как минимум пять минут чистых интериктальных данных и как минимум год наблюдения после операции. Автоматические детекторы сначала просканировали записи в поисках спайков и рипплов. Для каждого электрода команда затем измеряла частоту появления этих событий, их силу, распространение по соседним электродам и расстояние каждого контакта до начала событий и горячих точек. В итоге был сформирован набор временных, спектральных и пространственных признаков, описывающих локальную возбудимость и то, как аномальная активность распространяется по мозгу.

Обучение машин на успешных операциях

Чтобы показать системе, как выглядит по-настоящему эпилептогенная ткань, авторы использовали только пациентов, ставших свободными от припадков после операции. Для этих детей удалённая или аблированная ткань, вероятно, содержала критическую зону генерации припадков. Каждый электрод внутри резекции помечался как эпилептогенный, а те, что снаружи — как неэпилептогенные. Используя эти метки, команда обучила классификаторы Random Forest, тип модели машинного обучения, на трёх различных входах: только признаки, основанные на спайках; только признаки рипплов; или сочетание всех признаков спайков и рипплов. Модели усвоили шаблоны, отличающие эпилептогенные контакты от остальных, и затем создавали предсказанную эпилептогенную зону для каждого пациента.

Насколько модели совпадали с реальными операциями

При тестировании модели на основе признаков спайков и на объединённой модели спайков плюс рипплов показали наилучшие результаты. Они с высокой точностью разделяли эпилептогенные и неэпилептогенные контакты, а их предсказанные зоны перекрывали примерно три четверти фактической резекции у пациентов, ставших свободными от припадков. Для сравнения, большинство отдельных измерений, таких как только частота спайков, были менее надёжными. Важным выводом стало то, что точная пространственная организация спайков, особенно близость электрода к самым ранним или самым сильным проявлениям, давала более богатую информацию, чем простые подсчёты событий. Признаки рипплов давали лишь скромный прирост сверх спайков, возможно, потому что рипплы также могут появляться в здоровых областях мозга.

Связь предсказаний с реальными клиническими исходами

Затем команда задала практический вопрос: если по крайней мере половина предсказанной эпилептогенной зоны находилась внутри удалённой ткани, хорошо ли обычно перенёс операцию пациент? Используя объединённую модель признаков, это простое правило выявляло детей без припадков с чувствительностью 88 процентов и специфичностью 68 процентов, превосходя традиционно определяемую специалистами зону начала припадка. У пациентов, у которых припадки сохранялись, предсказанная зона часто лежала частично или в значительной степени за пределами резектированной области, что указывает на то, что важные эпилептогенные участки были упущены или не могли быть безопасно удалены.

Что это может значить для будущей помощи при эпилепсии

Для семей, которым предстоит операция при эпилепсии, эта работа указывает на то, что несколько минут записи мозга между припадками однажды могут помочь хирургам точнее планировать вмешательства и оценивать шансы на успех. Хотя подход требует проспективной проверки на больших и более однородных группах пациентов, он показывает, что объединение множества тонких признаков активности мозга с машинным обучением может дать более ясное и объективное представление о том, где возникают припадки и насколько полно операция затронула эти области.

Цитирование: 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

Ключевые слова: хирургия при эпилепсии, интериктальная ЭЭГ, машинное обучение, детская эпилепсия, эпилептогенная зона