İlaçlara dirençli epilepside ameliyat sonucunu öngörmek için nöbetler arası biyobelirteçleri makine öğrenmesi çerçevesinde birleştirme

Epilepsili aileler için bu araştırma neden önemli

İlaçlara yanıt vermeyen çocuklar için beyin cerrahisi nöbetsiz bir yaşam umudu verebilir. Ancak cerrahların kritik bir kararı vardır: sağlıklı dokuyu korurken beyin dokusunun hangi küçük bölgelerini çıkarmak gerektiğine karar vermek. Bu çalışma, bilgisayar algoritmalarının nöbetler arasında alınan rutin beyin kayıtlarını nasıl tarayarak bu seçimi daha iyi yönlendirebileceğini ve hangi çocukların ameliyattan en çok yararlanma olasılığı olduğunu tahmin etmede nasıl yardımcı olabileceğini araştırıyor.

Nöbetler arasında ipuçları aramak

Geleneksel olarak doktorlar, epileptojenik bölgeyi, yani nöbetleri tetiklediği düşünülen alanı tahmin etmek için gerçek bir nöbet sırasında kaydedilen beyin aktivitesine güvenir. Ancak yeterli sayıda nöbet yakalamak günler süren hastane izlemi gerektirebilir ve yine de kritik bölgeler atlanabilir. Yazarlar bunun yerine nöbet olmadığı sırada kaydedilen elektriksel sinyaller olan nöbetler arası veriye odaklanıyor. Bu sessiz aralıklar, nöbetlerin nerede başladığına işaret edebilecek kısa anormal olaylar olan spike ve ripple’ları içerir; ancak tek başına her bir tür cerrahi yönlendirme için genellikle çok kesin değildir. Ekip, spike ve ripple’ların pek çok özelliğini makine öğrenmesiyle birleştirmenin bu resmi keskinleştirip keskinleştiremeyeceğini görmek istedi.

Karmaşık beyin sinyallerini kullanılabilir özelliklere dönüştürmek

Araştırmacılar, doğrudan beyin üzerine veya içine yerleştirilen elektrotlarla invaziv izleme yapılan ilaçlara dirençli fokal epilepsili 62 çocuk ve genç erişkinin beyin kayıtlarını analiz etti. Hepsinin en az beş dakika temiz nöbetler arası verisi ve ameliyattan sonra en az bir yıl takip bilgisi vardı. Otomatik algılayıcılar önce kayıtlarda spike ve ripple’ları taradı. Her elektrot için ekip daha sonra bu olayların ne sıklıkta meydana geldiğini, ne kadar güçlü olduklarını, komşu elektrotlara nasıl yayıldıklarını ve her bir kontakın olay başlangıçlarına ve sıcak noktalara ne kadar yakın olduğunu ölçtü. Toplamda, yerel uyarılabilirliği ve anormal aktivitenin beyinde nasıl yayıldığını tanımlayan zamansal, spektral ve mekânsal özelliklerden oluşan bir set oluşturdular.

Başarılı ameliyatlarla makineleri eğitmek

Sistemlerine gerçek epileptojenik dokunun nasıl göründüğünü öğretmek için yazarlar yalnızca ameliyattan sonra nöbetsiz kalan hastaları kullandı. Bu çocuklar için çıkarılan veya ablasyon uygulanan doku büyük olasılıkla kritik nöbet üreten bölgeyi içeriyordu. Rezeksiyon içindeki her elektrot epileptojenik olarak etiketlendi, dışındakiler ise epileptojenik olmayan olarak işaretlendi. Bu etiketleri kullanarak ekip, üç farklı girdi üzerinde Random Forest sınıflandırıcılar (bir makine öğrenmesi modeli türü) eğitti: sadece spike tabanlı özellikler, sadece ripple tabanlı özellikler veya tüm spike ve ripple özelliklerinin birleşimi. Modeller epileptojenik kontakları diğerlerinden ayıran desenleri öğrendi ve ardından her hasta için tahmini bir epileptojenik bölge üretti.

Modeller gerçekteki ameliyatlarla ne kadar uyuştu

Test edildiğinde, spike özelliklerine dayanan ve spike artı ripple özelliklerini birleştiren modeller en iyi performansı gösterdi. Epileptojenik ile epileptojenik olmayan kontakları yüksek doğrulukla ayırdılar ve tahmin ettikleri bölgeler nöbetsiz hastalardaki gerçek rezeksiyonla yaklaşık dörtte üç oranında örtüştü. Buna karşılık, yalnızca spike hızı gibi tek ölçümler genellikle daha az güvenilirdi. Önemli bir bulgu, spike’ların tam mekânsal düzeninin —özellikle bir elektrotun en erken veya en güçlü aktiviteye ne kadar yakın olduğunun— olay sayımlarından daha zengin bilgi sağladığıydı. Ripple özellikleri spike’lara ek olarak yalnızca sınırlı kazanımlar sundu; bunun nedeni rippların sağlıklı beyin bölgelerinde de ortaya çıkabilmesiydi.

Tahminleri gerçek yaşam sonuçlarıyla bağlamak

Ekip sonra pratik bir soru sordu: tahmin edilen epileptojenik bölgenin en az yarısı cerrahın çıkardığı doku içindeyse, hasta iyi sonuç alma eğiliminde miydi? Birleştirilmiş özellik modelini kullanarak bu basit kural, nöbetsiz çocukları %88 duyarlılık ve %68 özgüllükle belirledi ve uzmanların tanımladığı geleneksel nöbet başlangıç bölgesine göre daha iyi performans gösterdi. Nöbetleri devam eden hastalarda ise tahmin edilen bölge genellikle rezeksiyonun kısmen veya büyük oranda dışında yer alıyordu; bu da önemli epileptojenik dokunun atlandığını ya da güvenle çıkarılamadığını düşündürüyordu.

Gelecekteki epilepsi bakımına etkileri

Epilepsi cerrahisi olasılığıyla karşı karşıya olan aileler için bu çalışma, nöbetler arasında alınan birkaç dakikalık beyin kaydının bir gün cerrahların ameliyatları daha hassas planlamasına ve başarı şansını tahmin etmesine yardımcı olabileceğini öne sürüyor. Yaklaşımın daha geniş ve daha homojen hasta gruplarında prospektif olarak test edilmesi gerekse de, beyin aktivitesinin birden fazla ince özelliğini makine öğrenmesiyle birleştirmenin nöbetlerin nereden kaynaklandığına ve cerrahinin bu bölgeleri ne kadar eksiksiz hedeflediğine dair daha net, daha nesnel bir görüş sağlayabileceğini gösteriyor.

Atıf: 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

Anahtar kelimeler: epilepsi cerrahisi, nöbetler arası EEG, makine öğrenmesi, çocuk epilepsisi, epileptojenik bölge