基于电子日记的癫痫发作预测模型评估：回顾性与前瞻性数据集均未超越简易Napkin方法

《Epilepsia》：Rigorous evaluation of five models for e-diary-only seizure forecasting: Retrospective and prospective datasets do not outperform the Napkin method

本研究针对癫痫发作预测缺乏严格评估标准的问题，由多机构研究人员开展电子日记(e-diaries)预测模型的系统性验证。通过比较五种机器学习模型与Napkin方法在AUPRC、AUC和Brier score等指标的表现，发现所有模型均未显著优于简易基准方法，提示当前单纯依靠e-diaries的24小时风险预测技术存在临床局限性。

　　

通过严谨评估五种基于电子日记(e-diaries)的癫痫发作预测模型，研究发现无论是回顾性数据集（5,501例患者）还是前瞻性数据集（36例患者）中，机器学习模型（包括感知器(Perceptron)、一维卷积神经网络(1D-convolution)、多层感知器(Multilayer Perceptron)、周期模型(Cycle)以及点过程广义线性模型(point-process generalized linear model)）在预测未来24小时癫痫发作风险时，均未能显著超越基于移动窗口平均的简易基准方法（即Napkin方法）。所有模型均采用90天历史数据窗口进行预测，并通过精确召回曲线下面积(AUPRC)、受试者工作特征曲线下面积(AUC)和布莱尔评分(Brier score)等指标进行评估。研究结论表明，仅依靠电子日记数据实现具有临床意义的癫痫发作预测（即超越Napkin方法的性能）在当前技术条件下仍不可行。冲突利益声明显示研究人员与多家神经科学企业和机构存在合作或咨询关系。