《Epilepsy & Behavior》：Prioritising follow-up for people with suspected epilepsy using a digital EEG biomarker
编辑推荐：
本研究针对疑似癫痫患者首次常规EEG诊断率低、随访等待时间长导致诊断延迟的临床挑战，提出并验证了一种基于数字EEG生物标志物（BioEP）的随访优先级排序新策略。通过分析196份非诊断性初始EEG，研究人员利用预先验证的八项计算特征生成“相似性分数”，并以此重新排序随访名单。结果表明，该方法能有效优先诊断出癫痫患者，将诊断癫痫所需的随访EEG数量中位数减少了6次（95% CI 4-7），并将随访EEG对癫痫的诊断效能（EEG diagnostic yield for epilepsy）中位数提高了5%（95% CI 4.9%-10%）。这项研究为临床实践中利用常规EEG数据实现基于风险的患者分流、加速诊断和优化资源配置提供了客观、可行的新工具。
癫痫的诊断之路常充满波折与等待。对于经历首次不明原因发作、疑似癫痫的患者而言，第一道常规检查往往是脑电图（Electroencephalogram， EEG）。然而，现实情况是，超过一半的此类患者首次常规EEG结果并无定论，其诊断敏感性中位数低至17.3%。这意味着大量患者需要进行后续的、更长时间的EEG监测，如动态EEG（Ambulatory EEG）或剥夺睡眠EEG（Sleep-deprived EEG）。在医疗资源紧张的情况下，患者通常只能按照转诊时间排队等候，导致诊断延迟中位数可达12个月甚至更长。在此期间，多达35%的患者可能在一年内经历第二次发作，不仅增加了无控发作的风险，还严重影响其驾驶、就业、心理健康及长期预后。因此，如何在海量的非诊断性EEG结果中，精准识别出那些最可能患有癫痫、亟需优先随访的患者，成为临床实践中的一个迫切需求。
最近，计算分析方法为提升临床检查的诊断效能带来了希望。英国Neuronostics公司的研究人员开发了一种名为BioEP的数字EEG生物标志物，它通过分析常规EEG中肉眼无法识别的八个特征（包括频谱、网络和模型特征），可以量化该EEG来自活动性癫痫患者的可能性，生成一个“相似性分数”（similarity score）。那么，这个分数能否用于优化患者的随访顺序呢？为了回答这个问题，Rosie Charles、Emanuela De Falco等研究者开展了一项应用研究，成果发表在《Epilepsy & Behavior》上。
研究人员主要运用了以下几项关键技术方法：首先，他们建立了一个回顾性、多中心的患者队列，数据来源于英格兰六个国家医疗服务体系（NHS）站点的首次癫痫门诊，最终纳入了196名具有正常非诊断性（normal non-contributory）首次常规EEG的受试者（年龄18-91岁），其中66人最终确诊为癫痫（Ep），130人排除了癫痫诊断（NEp）。其次，使用Python（特别是MNE-Python库）对EEG数据进行预处理，并按既定方法提取了八个已验证的计算特征。接着，他们应用了一个先前验证过的随机欠采样增强（Random Undersampling Boosting， RUB）分类器模型，该模型以校正了性别和抗癫痫药物（Anti-Seizure Medication， ASM）状态等混杂因素后的八个特征为输入，为测试集中的每位患者输出一个0到1之间的相似性分数。最后，通过模拟临床场景，他们从测试集中随机抽取多个包含40名患者（Ep与NEp比例为1:1）的子集，分别按照相似性分数从高到低（生物标志物排序）和随机顺序（模拟转诊时间排序）进行优先级排序，并比较两种排序方式在多项临床指标上的表现。
研究结果
1. 生物标志物排序显著减少了识别癫痫患者所需的随访EEG数量
分析显示，基于生物标志物的排序显著减少了需要完成的随访EEG数量，才能见到特定比例（如15%、50%、80%）的癫痫患者。例如，要见到50%的癫痫患者，所需随访EEG数量的中位数减少了6次（95% CI: 4–7），效应量（effect size）为0.83。
2. 生物标志物排序提高了随访EEG对癫痫的诊断效能
研究人员计算了“EEG诊断效能（EEG diagnostic yield for epilepsy）”，即含有癫痫样活动、从而支持癫痫诊断的随访EEG比例。结果显示，生物标志物排序在整个随访过程中持续产生了比随机排序更高的诊断效能。在完成50%的随访EEG时，诊断效能的中位数提高了5%（95% CI 4.9%–10%），效应量为0.72。
3. 优先排序使癫痫患者更早被见到
累积分析表明，在生物标志物排序的名单中，癫痫患者出现在名单前部的比例 consistently更高。在完成50%的随访时，见到的癫痫患者比例中位数增加了10%（95% CI 7–15%）。这意味着真正患有癫痫的人能够更早获得诊断性检查。
4. 方法在低至中等癫痫患病率场景下优势明显
研究还测试了该方法在不同癫痫患病率（10%至80%）的模拟场景下的鲁棒性。结果显示，在较低（10-50%）的患病率下，生物标志物排序带来的益处最为显著，而这正是临床实践中更常见的状况。
研究结论与讨论
本研究得出结论：将数字EEG生物标志物（BioEP）应用于非诊断性常规EEG，可以有效优化疑似癫痫患者的随访测试优先级。通过基于“相似性分数”重新排序，能够使癫痫患者更早获得随访，从而提高随访EEG的诊断效能，有望加速诊断、减少发作负担，并在紧张的医疗体系中优化资源配置。
讨论部分强调了本研究的意义与局限。其核心意义在于，它展示了一种将数字创新务实融入临床工作流程的途径，为利用常规检查中已有的客观数据（即EEG）来指导临床决策提供了实证。这并非一个新的生物标志物开发研究，而是对一个已验证工具（BioEP）在新应用场景（患者优先级排序）下的前瞻性探索，是迈向临床实施的重要中间步骤。
当然，研究也存在局限。例如，队列规模有待在更大、更多样化的人群中进一步验证；假设了统一的随访EEG诊断效能，需真实世界数据确认；未考虑所有临床风险因素（如发作严重程度）对实际决策的影响。作者明确指出，临床专业知识应始终优先，未来的方向是开发整合临床风险因素、现有筛查工具和EEG生物标志物的混合模型。此外，该方法同样可用于优先安排那些癫痫可能性极低的患者进行精神科或心脏科检查，体现了对非癫痫性发作患者的同等关注。
总之，这项研究支持开展前瞻性临床研究，以测试在资源有限的环境下，实施这种EEG生物标志物引导的随访优先级排序的真实世界效果。将数字技术整合到诊断路径中，提供了一种数据驱动的务实方法，有望在不取代临床判断的前提下，增强医疗服务的效率与公平性，让最需要的患者优先得到诊治。
