综述：从计算模型到癫痫临床决策：弥合理论与实践之间的鸿沟

《Brain Topography》：From Computational Models to Clinical Decision-Making in Epilepsy: Bridging the Gap Between Theory and Practice

　　

摘要

癫痫是异质性最强、最难预测的神经系统疾病之一，其特征是复杂的脑动力学、显著的个体间差异性以及往往难以预测的治疗反应。尽管神经影像、电生理学和抗癫痫治疗领域取得了重大进展，临床决策仍面临诸多重大挑战，包括精确定位致痫灶、预测癫痫发作、识别药物难治性患者以及优化个体化治疗策略。在过去二十年中，计算模型逐渐发展成为应对这些挑战的有前景的工具。早期方法主要依赖机制性生物物理模型，旨在重现癫痫发生过程中涉及的过度兴奋神经动力学和相关机制。近年来，人工智能和深度学习的兴起推动了能够利用大规模多模态数据的预测模型的发展。最终，数字脑孪生和自适应闭环系统的出现为整合模拟、预测和实时治疗干预的个体化计算医学铺平了道路。本综述对2004年至2026年间开展的主要国际倡议进行了批判性分析，包括EPICLUSTER/EBRAINS、EPINOSTICS、ENIGMA-Epilepsy、NeuroPace RNS、SeizeIT、EpiBioS4Rx和NeuroVista等项目，以及若干基于人工智能和生物物理建模的转化平台。我们评估了这些模型对癫痫临床决策的实际贡献、其转化贡献、方法学局限性以及将其整合到医院环境中所面临的挑战。我们认为，计算癫痫学的未来并非取决于人工智能与机制性模型之间的对立，而是取决于它们在可解释的、个体化的、具有临床可解读性的混合架构中的融合。