综述:关于儿童癫痫患者发作预测的非侵入性生物标志物的系统回顾
《Frontiers in Neurology》:A systematic review of non-invasive biomarkers for seizure forecasting in pediatric epilepsy patients
【字体:
大
中
小
】
时间:2026年04月20日
来源:Frontiers in Neurology 2.8
编辑推荐:
摘要
引言:癫痫是全球最常见的神经系统疾病之一。虽然药物、外科手术和饮食改变可以成功控制癫痫发作,但仍有一部分患者患有难治性癫痫,其突发性意外死亡(SUDEP)的风险增加。利用设备进行检测的努力已经在发作开始后成功识别了癫痫发作,但目前市场上还没有能够预测癫痫发作的设备或系统
摘要
引言:癫痫是全球最常见的神经系统疾病之一。虽然药物、外科手术和饮食改变可以成功控制癫痫发作,但仍有一部分患者患有难治性癫痫,其突发性意外死亡(SUDEP)的风险增加。利用设备进行检测的努力已经在发作开始后成功识别了癫痫发作,但目前市场上还没有能够预测癫痫发作的设备或系统。本系统评价(PROSPERO ID:CRD42024444250)的目的是确定可以用于预测儿童癫痫患者癫痫发作的非侵入性生理和环境生物标志物。
方法:2023年8月,在PubMed、Web of Science、CINAHL Ultimate和EMBASE中进行了相关文献的系统搜索。文章由两名研究者通过两步流程进行审查。数据提取由两名独立提取者完成,以确定研究特征、患者特征和预测结果。证据质量由两名研究者使用Grading of Recommendations, Assessment, Development, and Evaluation (GRADE)工具进行评估。
结果:共纳入11项观察性队列研究,其中最常使用的是通过心电图(ECG)测量得出的心血管生物标志物。发作前的预测算法时间范围从21.8秒到32分钟不等,而相关研究观察到心血管生物标志物在发作前3.59秒到40秒发生变化。本系统评价提供了当前关于癫痫发作预测的全面证据概述。然而,由于方法学缺陷、偏倚风险、结果不一致以及间接或稀少的证据,11项研究中有9项的证据被评为低或非常低确定性。
讨论:我们仍有机会在此基础上进一步研究,包括将心血管生物标志物与其他生理和环境因素结合测试、扩大样本量研究,并采用精准医学方法来为个别患者定制算法和生物标志物测量。
系统评价注册:PROSPERO(ID:CRD42024444250)。
1 引言
癫痫是一种以大脑异常电放电为特征的神经系统疾病,会导致癫痫发作(1)。根据世界卫生组织2024年的数据,全球约有5000万人患有癫痫,使其成为成人和儿童中最常见的神经系统疾病之一(2, 3)。许多被诊断为癫痫的患者接受抗癫痫药物治疗;然而,大约20-40%的患者对药物治疗无效,这意味着他们的癫痫发作无法仅通过药物控制(4)。如果这些患者不适合手术,或者手术未能完全控制癫痫发作,或者患者及其家属不愿意接受手术,那么实现癫痫发作控制的选择就十分有限。
癫痫患者(PWE)比一般人群患早死的风险高出三倍(2)。2023年的一项综述报告称,22-45%的儿童癫痫相关死亡是由于突发性意外死亡(SUDEP)、受伤或溺水(5)。难治性癫痫是SUDEP的已知风险因素,占该组死亡病例的50%。因此,PWE不仅面临癫痫发作的问题,还承受着癫痫特有的不确定性(6)。PWE也比一般人群更容易出现焦虑和抑郁等心理问题(2)。这些因素加上治疗副作用、生活限制和污名化,导致生活质量显著下降(7-10)。此外,这种负担也波及到PWE的护理者。研究表明,PWE的护理者会经历负面的心理和生理影响,尤其是儿童护理者(11)。PWE护理者的高疾病负担可能归因于对癫痫发作或相关事件的恐惧。由于缺乏可行的治疗选择以及难治性癫痫患者的高死亡风险,他们可能会感到不确定、孤立、沮丧和恐惧。因此,这种人群很可能从可靠的癫痫发作预测策略中受益匪浅。
癫痫发作预测是一个旨在减少癫痫不可预测性的研究领域,从而改善PWE及其护理者的生活质量。它还有助于识别未被注意到的癫痫发作模式,从而改善医疗管理。在2021年对PWE护理者的调查中,74%的受访者表示,一个能够预测癫痫发作的设备对癫痫社区来说非常重要。此外,76%的受访者表示他们会使用能够预测高发和低发癫痫风险时间的设备(12)。
已经有许多研究使用头皮和颅内EEG测量来预测癫痫发作,并取得了不同程度的成功(13-19)。然而,EEG癫痫发作预测的实际应用仍然具有挑战性。为了使预测设备有用和有效,它必须尽可能具有非侵入性,以免妨碍患者进行日常生活活动。要实现这一目标,首先需要识别出可靠的、易于测量的、具有癫痫发作预测能力的非侵入性生物标志物。本系统评价的目的是生成一份可用于癫痫发作预测的非侵入性生物标志物清单。我们的研究问题是:在儿童癫痫患者中,哪些非侵入性生理和环境生物标志物可以在癫痫发作前用于预测发作?
2 方法
本系统评价的协议已在PROSPERO(ID:CRD42024444250)上注册,并使用了2020年系统评价和荟萃分析首选报告项目(PRISMA)检查表,以确保该评价符合最新指南。每篇文章必须满足以下要求(图1总结),才能被选入评价。被排除的研究不符合一个或多个这些标准(图2)。搜索策略最初在PubMed上开发,然后适应其他电子数据库,包括Web of Science、CINAHL Ultimate和EMBASE。在PubMed中输入的搜索标准如下:
图1 系统评价和荟萃分析首选报告项目(PRISMA)流程图。该图表显示了最初从四个数据库(PubMed、Web of Science、CINAHL Ultimate和EMBASE)中识别出的文章数量(n = 8,450)以及引文搜索的结果(n = 1)。重复条目通过Covidence自动删除并手动删除(n = 3,049)。共筛选出5,402篇摘要,然后筛选出154篇全文研究,最终选择11篇进行研究。排除决策在流程图中提供。
图2 合格标准。该图表详细说明了每项研究必须满足的资格标准,以及本评价中“非侵入性”的操作定义。
(( Forecasting[MeSH Terms] AND ((Seizures[MeSH Terms] AND (Epilepsy[MeSH Terms])) ) OR ((Wearable Electronic Devices[MeSH Terms] AND ((Seizures[MeSH Terms] AND (Epilepsy[MeSH Terms])) ) OR ((Biomarkers[MeSH Terms] AND ((Seizures[MeSH Terms] AND (Epilepsy[MeSH Terms])) ) OR ((Algorithms[MeSH Terms] AND ((Seizures[MeSH Terms] AND (Epilepsy[MeSH Terms])) ))))
随后使用1990–2023年的日期过滤器来筛选搜索结果。该搜索策略也在其他数据库中复制。1990–2023年的日期限制是基于作者进行的初步文献审查得出的,该审查发现与癫痫发作预测领域相关的大部分文献可能出现在1990年代或之后。2023年8月,将每个数据库的结果导出到Covidence中进行筛选,分为两个阶段:标题/摘要筛选,然后是全文筛选。去除重复条目后,剩余5,402篇文章由10名经过资格标准培训的独立审稿人进行筛选。每篇摘要由两名独立审稿人分别审查,根据资格标准决定是否纳入。在这一阶段之后,剩余154篇文章进行全文筛选,两名独立审稿人再次评估每篇文章并决定是否纳入。如果在两个筛选阶段都存在分歧,则邀请第三名研究者独立审查并解决分歧。未原创的研究(例如系统性或范围性综述)进行了参考核查,通过这一过程,确定了一篇相关出版物。经过两个筛选阶段后,共有10项研究来自数据库,另有1项研究通过参考核查纳入,总共11项研究被纳入本评价。在这11项研究中,对于未进行参考核查的研究,还进行了额外的相关出版物筛查,未发现新的相关文献。
本评价中的数据项由八名独立共同研究者通过综合表格手动提取。每项研究由两名或三名独立共同研究者审查相关数据项。由于本研究小组对儿童数据有特别兴趣,负责提取数据的共同研究者被指示仔细搜索并记录针对儿童患者的特定研究结果。在包含成人和儿童的混合样本中,如果没有报告儿童特定数据,则要求共同研究者报告结果,因为这些结果可能受到儿童数据的影响。数据项分为研究特征、患者特征和预测结果三类。患者特征类别包括样本量、年龄范围、平均年龄、性别、癫痫发作类型和发作频率。在研究特征类别中,记录的数据项包括研究持续时间、环境、研究的生物标志物、生物标志物测量方法、癫痫发作活动测量方法以及使用的预测模型(如果有的话)。每个数据项都对证据等级有所贡献。
在数据提取过程中,使用Grading of Recommendations, Assessment, Development, and Evaluation (GRADE)系统进行证据评级,采用两步流程以提高可靠性,初始评级由两名独立研究者确定,然后由资深作者审核和修订(20)。由于方法学和统计异质性,未进行荟萃分析。GRADE系统使用四个连续等级:高、中等、低和非常低。评审者不是根据特定研究类型进行评级(例如,随机对照试验直接被评为高等级),而是根据研究特征通过算法来决定何时提升或降低证据等级(21)。高评级表示研究设计良好,结果一致,偏倚风险较低。中等确定性表示可能存在不一致性和潜在偏倚。评级为低确定性的研究具有方法学缺陷、高偏倚风险、结果不一致和间接证据。非常低确定性表示方法学限制严重、结果矛盾、偏倚风险高和证据稀少(20, 21)(见表1、2)。
表1
研究名称
研究类型
平均参与者年龄
样本量和研究持续时间
癫痫发作类型
研究的生物标志物
发现
证据等级
使用时间序列数据分析方法识别环境因素对癫痫发作的影响(2018)(22)
回顾性队列研究;相关性
未指定
未指定。总研究时间为84个月
未指定
累积降水量、温度、最高和最低温度、相对湿度、最高和最低相对湿度、平均风速和方向、大气压力、最高和最低大气压力以及日照持续时间
环境温度与癫痫发作呈负相关。最高大气压力与癫痫发作呈正相关
非常低确定性
癫痫发作前后24小时生物信号调制模式的差异(2022)(23)
前瞻性队列研究;相关性
入组时的中位年龄:无发作组9.4岁(8.4岁),癫痫发作组13.2岁
每名儿童患者24小时
局灶性意识障碍发作和全面性强直-阵挛发作
EDA、TEMP、HR
14%的儿童患者发作前HR降低,与发作期间相比
中等确定性
儿童癫痫患者连续心电图中的新型癫痫发作生物标志物(2021)(24)
回顾性队列研究;相关性
中位年龄=10.2岁,IQR=6.2岁
每名儿童患者17.7至227.4小时
平均93.3小时
局灶性发作
HR、RRI、FD、Ap
68.2%的患者至少有一个特征发生变化,其中40.9%的患者在无发作期和发作期之间HR/RRI发生变化
低确定性
儿童癫痫发作期间的ECG变化:对检测系统的意义(2013)(25)
回顾性队列研究;相关性
9.2岁(未提供SD)
每名儿童患者24小时
局灶性发作(TLE,额叶)和全面性发作(强直性、强直-阵挛性和肌阵挛性)
70%的局灶性发作在发作前HR发生变化。从HR变化到发作的平均时间为3.59秒(0.2至29秒)。敏感性43%,特异性95%
低确定性
耐药性癫痫患者发作前间期的心率变异性分析(2021)(27)
回顾性队列研究;相关性
41±16岁
共41例
研究持续时间未指定
TLE
HRV
HRV特征在41%的发作和90%的患者中观察到发作前期的变化。大多数变化发生在发作前40分钟内
低确定性
监测癫痫发作期间的心率周期变化II**多样性と傾向(1996年)(29)**
回顾性队列研究;相关性
研究时长:24.1年;未提供特定于儿童的数据
总样本数量:12例
**复杂性部分性发作、强直-阵挛性发作**
心率(HR)、心率变异性(HRV)
16%的发作中存在发作前的心动过速
**癫痫发作期间自主神经系统变化的研究(2020年)(31)**
前瞻性队列研究;相关性
研究时长:9.9 ± 5.8年
总样本数量:66例(其中62例为儿童)
研究总时长:44个月
发作类型:局灶性和全面性发作
生物标志物:EDA、TEMP、HR
**发现:**
17例患者的发作前EDA信号熵增加(p < 0.05)
确定性非常低
**相关性研究细节:**
ACC(三维加速度计数据);ApEn(近似熵);BVP(血容量脉冲);EDA(皮肤电活动);FD(分形维数);h(小时);HR(心率);HRV(心率变异性);min(分钟);mo(月);RRI(R波间期);s(秒);TEMP( peripheral body temperature);TLE(颞叶癫痫);y(年)。
*仅包含儿童患者。**未提供特定于儿童的数据。**
**表2:**
研究名称 | 研究类型 | 平均参与者年龄 | 样本规模与研究时长 | 发作类型 | 研究的生物标志物 | 研究结果 | 证据等级
**基于心率变异性参数预测局灶性癫痫发作的研究(2019年)(26)**
前瞻性队列研究;算法测试
研究时长:8.2 ± 4.3年
参与者年龄:9岁(儿童)
样本规模:每位患者12–24小时
研究结果:
预测准确率:77.1%
预测时间:21.8秒
确定性非常低
**基于心率变异性和复发量化分析的个体化发作预测(2018年)(28)**
混合回顾性和前瞻性队列研究;算法测试
研究时长:17.6 ± 9.9年
总样本数量:15例(其中9例为儿童)
研究结果:
预测准确率:88.86%
灵敏度:89.06%
特异性:89.34%
假阳性率:0.41/小时
发作前定义为发作前15分钟
**基于机器学习的心率变异异常检测的可穿戴癫痫发作预测系统(2020年)(30)**
前瞻性队列研究;算法测试
研究时长:28年(未提供标准差)
样本数量:7例(其中2例为儿童)
研究结果:
预测准确率:85.7%
预测时间:15分钟内
**基于手腕传感器数据的机器学习用于可穿戴、无创性发作预测(2020年)(32)**
前瞻性队列研究;算法测试
研究时长:9.8 ± 5.9年
总样本数量:69例(其中66例为儿童)
研究结果:
预测准确率:43.5%
灵敏度:51.2%
平均预测时间:1844 ± 80秒
确定性中等
**表3:**
研究名称 | 研究类型 | 平均参与者年龄 | 样本规模与研究时长 | 发作类型 | 研究的生物标志物 | 研究结果 | 证据等级
**备注:**
所有纳入的研究均包含儿童患者。其中4项研究仅针对儿童患者,7项研究同时包含儿童和成人患者。平均样本规模:包含儿童患者的研究为35例,仅针对儿童患者的研究为46例。8项研究报告了样本的平均年龄,平均为18.5岁。部分研究也包含了成人数据。一项研究未提供样本平均年龄信息,其余两项研究提供了中位数值。我们提取了所有研究中报告的特定于儿童的数据。尽管某些研究未提供特定于儿童的数据,但这些研究仍被纳入分析,因为它们包含儿童患者。
**结论:**
多项研究表明,心率变异性参数及机器学习技术在癫痫发作预测中具有潜力。不同研究中的预测准确率和预测时间存在差异。本研究中人力资源变化的敏感性为43%,特异性为95%(25)。只有一项来自台湾的研究观察到气象因素与癫痫发作活动之间的相关性(22)。该研究评估的年龄组为0-10岁、21-30岁、31-40岁和41-50岁。在0-10岁的儿童年龄组中,癫痫发作的发生率在1月和2月显著增加。21-50岁的成年人在1月也出现了类似的癫痫发作增加现象。在所有气象因素中,最高温度和最低温度(也称为环境温度)与台湾12个地理区域中的10个区域的癫痫发作呈负相关(CC -0.407至-0.224,p < 0.05)。相反,最高大气压的增加与台湾12个区域中的7个区域的癫痫发作增加呈正相关(CC 0.218至0.328,p < 0.05)。这些生物标志物没有提供针对儿童的具体数据。
讨论
非侵入性地识别癫痫发作的生物学和环境预测因子具有巨大的潜力,可以降低部分性癫痫患者(PWE)的发病率和死亡率。本综述中确定的两个主要研究目的是相关性研究和算法测试研究,每种研究都提供了关于癫痫发作预测潜在临床应用价值的宝贵信息。通过心电图(ECG)测量的心血管特征,如心率变异性(HRV)和心率/呼吸率比值(HR/RRI),是本综述中研究最广泛的生物标志物,其次是皮肤电活动(EDA)、体温、环境温度和大气压。
多项研究使用HRV特征在其预测算法中实现了中等到高的准确性。两项研究显示了癫痫发作的减少(26, 28)。尽管存在这种相似性,但它们的预测时间差异显著,一项研究报告的平均预测时间为21.8秒,而另一项研究报告为13.7分钟(26, 28)。前者更接近癫痫发作事件本身,发现发作前HRV特征增加的指标包括心率(HR)、SDRRI、HRstd、总谱功率、低频成分(LF)、LF/HF、LFnorm和ECG时间序列上限包络;而发作前HRV特征减少的指标包括RRI、HFnorm和pRRI50。后者则指出在发作前LF/HF增加而RRI、HF和RRI50减少。然而,发作前HF和RRI50的减少仅见于复杂性癫痫(TLE)患者。这表明某些癫痫发作预测生物标志物可能对特定类型的癫痫更有效,支持了个性化癫痫发作预测算法的实用性。这两项研究报告的预测准确性相似(74.62%和77.1%),但预测时间范围很广。较长的预测时间可以为患者提供更多时间来准备应对癫痫发作。因此,对于某些患者来说,13.7分钟可能比21.8分钟更合适。然而,预测时间为13.7分钟的研究具有3.4次/小时的较高假阳性率。值得注意的是,该研究团队还进行了另一项实验,使用生物标志物来区分发作间期和发作前期,其假阳性率为0.41次/小时(准确性88.86%,敏感性89.06%,特异性89.34%)。正确识别的发作前期在癫痫发作前15分钟内。这些实验支持使用患者特定的预测算法。然而,这两项研究中的高假阳性率大大削弱了模型的准确性和早期预测能力。同样,另一项算法测试研究的假阳性率为0.62次/小时,相当于大约每2小时一次假阳性警报(30)。像这样的高假阳性率设备缺乏临床实用性,因为它们可能会给患者和护理者带来不必要的干扰,导致他们停止使用该设备(33)。
第三项测试预测算法的研究评估了不同的生物标志物(EDA、TEMP、BVP、ACC),并发现对于不到一半的患者(n = 69),其预测准确性高于随机水平。虽然该算法的表现不如前两项研究,但样本量更大,平均预测时间也较长,约为30分钟(32)。此外,一项前瞻性队列研究发现14名患者的发作前心率降低(29%),而发作前与发作期间的EDA变化没有达到显著性(23)。另一项前瞻性队列研究发现17名患者的发作前EDA发生显著变化,EDA的熵计算从发作间期增加到发作前期(p = 0.025)。然而,HR和TEMP在发作间期和发作前期之间没有显著差异(31)。EDA是皮肤电导的生理测量指标,主要由自主神经系统的交感分支调节,与生理上的“战斗或逃跑”反应相关(34)。同时出现的心动过缓和EDA幅度增加表明发作前期交感神经系统和副交感神经系统同时被激活(23)。尽管这些研究并未就这些生物标志物的有效性达成一致意见,但它们都指向了类似的潜在生理机制——自主神经系统失衡,这可能是某些患者发作前的共同特征。这些不一致的发现也支持了使用个性化算法进行预测的潜力,而不是采用一刀切的策略。
其他观察性研究旨在寻找心血管特征与随后癫痫发作之间的相关性(23-25, 27, 29, 31)。这些研究主要集中在HRV衍生的特征上,包括心率(HR)、RRI、LF/HF、pRRI50、RRI50、近似熵和RQA ENT。一项研究仅使用RRI作为替代数据标志物,评估了心率的变化(25)。在35名儿科患者的70%的局灶性癫痫发作发作前期检测到了心率变化。然而,这些变化仅见于局灶性癫痫发作,而未见于全面性癫痫发作。发作前心率变化包括心动过速和心动过缓,尽管心动过速占大多数患者。该研究没有明确定义心动过速或心动过缓的标准,鉴于不同年龄段的正常心率范围,这一点是有用的。虽然心率变化的特异性很高,为95%,但敏感性较低,为43%。由于癫痫发作预测机制的目的是提醒用户可能存在即将发作的风险,因此更高的敏感性更受青睐,这使得心率变化作为单一生物标志物的效果较差。这支持了这样一个结论:单独使用一个生物标志物可能不足以有效预测癫痫发作,组合使用生物标志物可能更优。另一项回顾性队列研究将心动过速定义为每分钟心率增加超过15次,在12名患者的44次癫痫发作中中有16%出现了这种情况。然而,需要注意的是,该研究没有指明样本中儿科患者的具体数量或年龄;仅提供了4.5-55岁的年龄范围,平均年龄为24.1岁(29)。由于年龄范围广泛,平均年龄大于18岁,且仅有16%的癫痫发作在发作前期发生变化,因此该研究的发现对你的研究人群的直接影响较小。另一项针对儿童的具体研究观察了ECG变化,包括ApEn、FD、RRI和HR,其中68.2%的患者在发作期和未发作期的数据段中至少有一个特征发生了变化。然而,该研究没有评估特定的“发作前期”阶段,因此由于报告的时间不确定性,对该研究的结论非常有限。此外,尽管研究团队表示“在癫痫发作过程中经常出现心电图变化,但在某些情况下这些变化发生在发作开始前数小时”,但他们没有对此进行进一步阐述。关于发作前期心率变化作为癫痫发作预测生物标志物的有效性,文献中存在很大程度的不一致性。一些研究显示患者发作前期心率增加,而其他研究显示心率降低,还有许多患者没有变化。这一结论表明心率变化可能对某些癫痫患者有用,而其他患者可能从使用不同的生物标志物中受益。
只有一项研究试图观察气象特征与癫痫发作增加之间的相关性(22)。由于该研究进行了年龄组分层和结果报告,因此仅分析了0-10岁年龄组的儿童特定信息。11-20岁年龄组的数据没有报告。在台湾12个区域中,最高大气压与7个区域的癫痫发作增加呈正相关,而在10个区域中发现环境温度与癫痫发作之间存在负相关,主要见于1月和2月。然而,这些相关性较弱(CC 0.218至0.328和-0.407至-0.224)。此外,冬季月份与病毒感染率增加有关,研究表明癫痫发作风险增加与疾病期、发烧或压力增加的时间段有关(35-38)。值得注意的是,该研究没有考虑参与者同时存在的疾病,这可能导致未考虑的混杂因素。所选择的分层方法和研究团队报告结果的方式极大地限制了这些证据在本综述中的使用。然而,这是唯一一项分析气象特征用于癫痫预测的研究,且其样本量显著大于所有其他研究。关于癫痫发作的确认,该研究使用了替代数据(即编码为癫痫发作的急诊医疗记录)而不是直接数据(即通过EEG确认的癫痫活动)。此外,该研究的样本量替代数据是癫痫发作次数而不是分析的患者数量。因此,多次发作的患者可能会以正面或负面的方式影响任何相关性。对于癫痫发作确认的替代数据和样本量是间接性的例子,这降低了该研究得出的相关性的可靠性,并削弱了研究结果的准确性。
关于是否可以通过一刀切的算法成功实现癫痫预测,文献中存在争议。这里回顾的大多数研究都提供了支持需要个性化癫痫预测算法的证据。基线心率在发作前期发生变化的证据充分证明了这一点。一些患者在发作前期没有心率变化,而其他人则经历心率增加,少数患者经历心率降低。其他HRV和气象测量也出现了类似的不一致性。虽然HR和HRV生物标志物确实存在趋势,但最强的关联出现在具有相同类型癫痫(如TLE或局灶性癫痫)的样本量中(26-28)。
这里回顾的关于儿童癫痫发作预测的研究主要依赖于来自ECG测量的心血管特征的发作前期波动。关于心率变化在癫痫预测中的实用性,这些文献存在差异。在某些患者中检测到发作前期心率变化表明它可能是有用的生物标志物,而其他人可能从中受益不多。两项研究评估了EDA,但在其中一项研究中,只有少数患者在中期显示出可检测的变化。多项研究使用HRV特征实现了高预测准确性或敏感性(26, 28, 30)。然而,假阳性率也很高,一些证据表明这可能对TLE患者最有帮助。一项评估环境生物标志物的研究发现环境温度与最高站压力分别与癫痫发作次数呈负相关和正相关。然而,这种研究设计容易受到潜在混杂变量的影响,从而削弱了该研究对于本综述目的的结论。
最后,证据分级过程分为两个步骤。初始确定性由研究设计确定,随机对照试验或使用ROBINS-I评估的研究最初被赋予高确定性等级,而观察性研究最初被赋予低确定性等级。这里回顾的所有研究都是观察性研究,因此最初被赋予了低确定性等级。第二步是根据关键特征(如混杂因素、样本量、效应大小和测量偏差)来升级或降低确定性等级。有两项研究的证据等级被提升至“中等确定性”,这是由于样本量较大、研究结果具有显著性以及进行了混杂因素的调整。而有四项研究的证据等级被降至“非常低确定性”,原因是样本量较小、可能存在混杂因素,以及数据分析和报告存在不完整或不一致的情况。如前所述,其中一项研究是通过急诊医疗记录来测量癫痫发作次数,而非通过电生理学方法确认,这导致了测量偏差,这也是该研究证据等级降级的主要原因(22)。其余五项研究,包括两项具有高灵敏度的算法研究,由于样本量较小且未观察到显著效应,其证据等级既未提升也未降低。这些研究的局限性主要体现在样本量小和监测时间短方面。分析报告中涉及的儿童患者数量从2例到117例不等。即便是那项包含117名儿童患者的研究也指出,样本量太少,无法使机器学习模型准确识别癫痫发作预测趋势(23)。样本量小的情况表明,未来需要开展更多针对儿童的、时间跨度更长的研究,以确定可靠的癫痫发作预测指标。在更大数据集上训练的算法有望提高预测准确性并减少误报率。对于癫痫发作预测设备的临床应用而言,误报率是一个关键因素。只有两项研究报告了其预测算法的误报率,且这两个误报率都较高(28, 30)。其他研究未报告误报率的情况大大减弱了这些算法在临床应用中的可行性。此外,这里回顾的大多数研究都是在癫痫监测单位进行的,因此不能代表患者的日常生活情况。因此,未来必须研究这些癫痫预测生物标志物在医院以外的环境中的可重复性。其他可能影响数据分析的因素还包括缺乏对不同类型癫痫发作的考虑、儿童年龄范围广泛、难以区分儿童特异性数据与成人数据,以及患者之间的药物差异(28, 31)。最后,由于这里有11项研究中的9项证据等级为“低”或“非常低”,因此在解读这些结论时应保持谨慎。开发出一种准确的可穿戴癫痫发作预测设备将显著降低患者的发病率和死亡率,让难治性癫痫患者及其护理人员能够更好地控制病情。这种设备不仅能够改善患者及其护理人员的生活质量,还能通过减少与癫痫相关的儿童死亡(包括SUDEP)来提升长期健康 outcomes。通过基于证据的调查来确定具有预测能力的可靠生物标志物是至关重要的第一步。本综述总结了现有的关于儿童癫痫发作预测生物标志物的文献,并指出目前缺乏设计完善的研究来验证特定生物标志物和预测算法的有效性。需要更多的研究来评估单个生物标志物的预测能力,以及多种生物标志物的组合,以提高预测的可靠性和准确性。此外,还需要针对每位患者优化生物标志物及其组合的预测能力,以实现实际的实用性。尽管这些初步研究尚未提供非常有力的证据,但它们仍为未来的研究奠定了基础,未来的研究可以纳入更大规模的儿童队列,并在更长的时间内进行跟踪,从而开发出更为可靠、基于证据的癫痫预测算法。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号