基于电子健康记录的Lennox-Gastaut综合征诊断验证：挑战与经验教训

《Epilepsia》：Validation of the diagnosis of Lennox–Gastaut syndrome: Challenges and lessons learned

　　

目的：Lennox-Gastaut综合征（LGS）是一种严重的发育性癫痫性脑病，其特征包括多种发作类型、认知障碍和特征性脑电图（EEG）发现。然而，不断演变的诊断标准、异质性临床特征以及不一致的电子健康记录（EHR）文档使准确诊断和队列识别变得复杂。作为一项由患者为中心的研究所（Patient-Centered Outcomes Research Institute）资助的、旨在开发基于EHR的可计算表型用于LGS研究的一部分，研究人员通过回顾性病历审查和癫痫专科医师分类建立了参考标准。 方法：在七个儿科癫痫中心进行了一项多中心回顾性病历审查。利用PCORnet数据的分层抽样，选取了2016年至2022年间具有国际疾病分类第十版（International Classification of Diseases, 10th Revision）LGS诊断编码或其他难治性癫痫诊断编码的患者。临床团队提取了发作史、EEG发现、发育状态和治疗史。两位癫痫专科医师独立将每例病例分类为经典型LGS、实用型LGS或非LGS。不一致的病例由一位资深癫痫专科医师进行裁决。数据不完整或不明确的病例进行了重复提取和审查。 结果：在997例识别出的患者中，排除后935例接受了分类。初始的癫痫专科医师间不一致出现在105例病例中（11%，未加权Cohen kappa = 82%）。裁决后，130例病例进行了重新提取以获取额外的EEG报告和临床细节。重新审查将最初被认为是“非LGS”的67例病例重新分类：33例经典型LGS、12例实用型LGS和22例因数据不足被排除。关键的EHR挑战包括不一致的EEG报告、不完整的发作类型描述、认知障碍文档的碎片化、发病年龄不明确以及不同机构和医生之间的术语差异。慢棘慢波（SSW）EEG发现是最常缺失的诊断要素。 意义：使用EHR数据验证LGS诊断是复杂且资源密集型的。标准化术语、结构化文档和严格的多中心验证可能提高诊断准确性、研究队列识别、可计算表型开发以及对LGS患者的长期照护。研究结果强调了多中心罕见癫痫研究中的重要操作经验，并凸显了为LGS患者及其家庭改进诊断路径和长期照护体系的必要性。

一、研究背景与问题

Lennox-Gastaut综合征（LGS）是一种严重的发育性癫痫性脑病（DEE），以多种发作类型、特征性脑电图（EEG）发现（尤其是慢棘慢波SSW）以及认知和行为障碍为特征。尽管国际抗癫痫联盟（ILAE）等机构不断更新其诊断标准，但LGS的诊断在临床和研究中仍面临重大挑战。首先，诊断标准随时间演变，导致不同研究和临床实践中采用的标准不一。其次，LGS的临床表现谱广泛，其特征性症状（如SSW、发作类型）会随患者年龄增长而变化，增加了纵向诊断的难度。最关键的是，在利用电子健康记录（EHR）数据进行回顾性研究时，普遍存在非特异性术语、不完整的医疗记录、不一致的文档记录等问题，使得从EHR中准确提取并验证LGS诊断极为困难。因此，为了支持一项比较癫痫手术与额外抗癫痫药物疗效的研究，研究人员需要建立一个可靠的LGS参考标准队列，以便后续开发基于EHR的可计算表型。

二、研究方法

研究人员开展了一项多中心回顾性病历审查研究。研究涉及美国七个大型儿科癫痫中心。通过查询各中心的PCORnet数据仓库或本地EHR存储库，使用ICD-10诊断编码G40.81x（LGS）及其他难治性癫痫编码，在2016年至2022年间识别潜在患者，并进行分层随机抽样以确保代表性。纳入标准为至少两次神经科就诊记录。数据由各中心的临床研究协调员（CRC）在监督下从EHR中提取，录入CLIRINX平台，内容包括发作史、治疗史、病因、EEG发现、发育状态等关键信息。随后，来自非患者所在中心的两位癫痫专科医师独立对每例病例进行分类，分为经典型LGS、实用型LGS或非LGS。意见不一致的病例由一位资深癫痫专科医师（A.D.P.）进行裁决。对于因数据缺失可能导致错误分类的病例，进行了第二轮数据提取和重新分类。

三、研究结果

1. 队列特征与初步分类

共识别997例患者，排除62例（6%）少于两次神经科就诊者后，935例进入初步分类。队列中位出生年份为2008年，男性占56%，81%的患者具有ICD-10编码G40.81x。在第一轮分类中，两位癫痫专科医师间的总体一致性较高，达到89%（未加权Cohen kappa = 82%），但在105例（11%）病例中存在分歧。

2. 分歧裁决与第二轮重新提取

裁决过程中，当一位医师选择经典型LGS而另一位选择实用型LGS时，裁决者多数（59%）倾向于实用型LGS。当分歧存在于LGS分类与非LGS之间时，裁决者将大多数病例归类为LGS（经典型与非LGS组合中占91%，实用型与非LGS组合中占73%）。基于裁决者和领导团队的评估，130例病例进入了第二轮数据提取，主要目的是寻找遗漏的EEG报告以确认SSW模式，以及澄清发作类型、发病年龄或认知障碍等信息。

3. 第二轮重新分类结果

经过第二轮更全面的数据提取（特别是查找所有可及的EEG报告而非仅限三份），67例原先被归类为“非LGS”的病例被重新分类：其中33例转为经典型LGS，12例转为实用型LGS，另有22例因数据仍然不足以做出判断而被排除。在重新分类的46例患者中，最常补充到的关键信息是SSW的文档记录（83%），其次是额外的发作类型信息（22%）、发病年龄的澄清（15%）以及认知发育延迟的证据（7%）。

四、讨论与结论

讨论部分总结：

讨论部分深入分析了研究过程中遇到的主要挑战。首先，EEG数据的挑战最为突出，SSW是诊断中最常缺失的要素，原因包括EEG报告缺失、SSW随年龄变化、不同医疗机构间的报告不可及，以及原始EEG报告中对波形描述的术语不一致和不完整。研究指出，标准化EEG报告术语（如SCORE和ACNS标准）至关重要，且2022年ILAE定义新增的全导联快节律（GPFA）要求在回顾性研究中同样面临文档不全的难题。其次，发作类型数据的挑战在于病历中常使用非特异性描述（如“僵硬和抽搐”）而非标准术语，导致分类困难。第三，认知障碍数据的挑战是其文档分散于多个专科，缺乏统一的结构化记录。研究还指出了局限性，包括多中心间实践和EHR系统的差异、依赖CRC进行数据提取带来的变异性、未系统审查原始EEG描记、以及使用了旧版诊断标准（未包含2022年ILAE的GPFA要求）。未来方向强调，应通过标准化术语、结构化临床模板、整合跨专科信息以及探索人工智能（AI）和自然语言处理（NLP）技术来优化LGS的诊断流程和EHR数据利用效率，同时需重视家庭视角和社区参与式研究。

研究结论翻译：

本研究突显了验证LGS诊断的挑战，尤其是在从EHR中提取信息并将诊断标准应用于多样化患者群体方面。全面收集与LGS诊断相关的信息难以从EHR中完成。未来需要开展工作，开发和实施有助于临床诊断LGS的策略，以改善患者护理，并提高为研究项目识别患者队列的能力。