编辑推荐：
癫痫管理中缺乏长期客观测量睡眠的工具。研究人员开发并评估基于皮下脑电图（sqEEG）的自动睡眠分期算法。结果显示该算法与人工评分非劣效，能获取有用信息。这为临床提供客观睡眠参数，助力癫痫管理。
在癫痫患者的诊疗过程中，睡眠问题常常被忽视。尽管睡眠障碍在癫痫患者（PwE）中极为常见，但多数情况下，睡眠状况并未得到深入研究和有效治疗。一方面，患者自我报告的睡眠日记存在不一致性；另一方面，临床医生缺乏准确的工具，难以在日常生活中对癫痫患者进行长期的客观睡眠测量。这导致睡眠在癫痫管理中的作用被弱化，即便有专家建议关注癫痫患者的睡眠障碍，临床实践中仍难以有效实施。为了解决这些问题，来自国外的研究人员开展了一项关于利用皮下脑电图（sqEEG）和自动睡眠分期算法评估癫痫患者睡眠的研究 。该研究成果发表在《Clinical Neurophysiology Practice》上，为癫痫管理带来了新的思路和方法。
研究人员在研究过程中，主要运用了以下关键技术方法：首先，收集了包括头皮脑电图（EEG）和皮下脑电图在内的多种来源数据，这些数据来自健康个体、睡眠障碍患者和癫痫患者。接着，开发了基于深度学习模型的自动睡眠分期算法。该算法经过滤波、重采样、空间和光谱标准化等预处理步骤，并对 U - Sleep 模型进行修改以适应两通道 sqEEG 数据，还通过启发式规则生成睡眠参数 。最后，将算法检测结果与专家标注进行对比，采用 F1 评分、Cohen’s Kappa（κ）等指标评估算法性能。
研究结果如下：
- 剔除非生理检测结果：根据先前发表的癫痫患者睡眠阶段观测范围，定义了 REM、N2 和 N3 的生理极限。测试集中 12 名癫痫患者中有 2 名 N3 相对检测量超出极限，未纳入主要分析。
- 睡眠分期在健康受试者中的性能：在健康数据上，算法的 κ 值为 0.8，F1 评分为 80.5%[CI 78.7% - 82.2%]。与手动评分相比，用 F1 评分衡量时算法非劣效性得到确认，但用 κ 值衡量时被拒绝 。算法和手动评分在清醒和 REM 阶段表现最佳，在 N1 阶段最差。
- 睡眠分期在癫痫患者中的性能：在癫痫患者数据上，算法自动睡眠分期与手动评分相比非劣效性得到确认（p 值 <0.01）。算法 F1 评分分别为 68.7%[CI 65.1% - 71.7%]（与评分者 D 对比）和 65.8%[CI 60.7% - 71.1%]（与评分者 E 对比），κ 值分别为 0.705 [CI 0.663 - 0.744] 和 0.686 [CI 0.632 - 0.739]。同样，算法和手动评分在 N1 阶段表现最差，REM 阶段算法性能个体差异最大 。
- 估计睡眠参数的比较：算法估计的夜间睡眠周期时间（NSPT）、夜间睡眠开始和结束时间与评分者相差在 20 分钟内，除一个异常值外。在总睡眠时间（与 NST 可比）和睡眠后觉醒时间（WASO）方面，算法与评分者的一致性比其他测量方式更好。
- 临床案例分析：
- 案例 1 - 主要在睡眠期间发作的癫痫：通过对一名主要在睡眠期间发作癫痫的患者进行监测，发现多数癫痫发作发生在凌晨 2 点到 8 点的 N2 睡眠阶段。这表明通过长期 EEG 监测癫痫发作和睡眠，有助于调整药物治疗，改善癫痫控制。
- 案例 2 - 睡眠习惯随时间波动：一名癫痫患者在夏季和后续几个月的睡眠习惯发生明显变化，周末和工作日的睡眠模式也不同。客观睡眠测量可弥补自我报告的不足，为癫痫管理提供更准确的信息。
- 案例 3 - 抗癫痫药物（ASM）对睡眠的影响：对一名接受拉莫三嗪（lamotrigine）治疗的患者监测发现，用药后夜间睡眠时间（NST）减少。这提示可根据客观睡眠参数变化调整药物治疗，改善患者生活质量。
研究结论和讨论部分指出，该研究表明 sqEEG 和睡眠分期算法结合，能在癫痫患者睡眠评估中达到与头皮 EEG 人工评分相当的水平，为临床提供了客观睡眠测量方法，打破了癫痫管理中睡眠评估的障碍。尽管算法在健康受试者和癫痫患者中的性能存在差异，但整体表现良好。同时，临床案例展示了长期 EEG 监测在癫痫管理中的应用潜力，如根据癫痫发作与睡眠阶段的关系调整药物，根据睡眠习惯变化和药物对睡眠的影响优化治疗方案等。这不仅有助于临床医生做出更科学的决策，还能帮助患者更好地理解自身病情，对癫痫的临床管理和研究具有重要意义 。
