基于首次热性惊厥后发作间期脑电图机器学习的癫痫预测:洞察

《Epileptic Disorders》:Can epilepsy be predicted after the first febrile seizure? Insights from machine learning of postictal EEG

【字体: 大 中 小 】 时间:2026年05月01日 来源:Epileptic Disorders 2.7

编辑推荐:

  摘要 目的: 热性惊厥(FS)是儿童期最常见的癫痫发作类型,然而识别首次FS后进展为癫痫高风险儿童仍具挑战性。本研究旨在评估应用于热性惊厥后脑电图(EEG)记录的机器学习(ML)算法的预后潜力。 方法: 研究人员回顾性分析了2018年1月至2021年12月期间

  
摘要 目的: 热性惊厥(FS)是儿童期最常见的癫痫发作类型,然而识别首次FS后进展为癫痫高风险儿童仍具挑战性。本研究旨在评估应用于热性惊厥后脑电图(EEG)记录的机器学习(ML)算法的预后潜力。 方法: 研究人员回顾性分析了2018年1月至2021年12月期间就诊的104例首次热性惊厥患儿(69例男性;首次热性惊厥平均年龄:39.4 ± 18.2个月)。收集了临床数据及N2睡眠期间的EEG记录。EEG分析采用独立的预处理流程。对于常规EEG分析,记录经1至40 Hz带通滤波,无伪迹片段使用基于Python的流程(YASA, MNE)提取34个时域特征。提取的34个电生理特征在不同双极EEG通道上计算,并与汇总通道间指标共同评估,最终形成93个输入属性用于ML模型开发。高频振荡(HFOs)分析采用独特流程应用于低通滤波前的宽带EEG数据。六种机器学习算法——J48合并决策树、随机森林(RF)、梯度提升(GB)、极限梯度提升(XGBoost)、k近邻(kNN)和支持向量机(SVM)——采用10 × 7重复交叉验证进行训练。模型性能通过灵敏度、特异度、准确度、受试者工作特征曲线下面积(ROC AUC)和F1分数进行评估。 结果: 中位随访4.2个月,13例患者(12.5%)发展为癫痫,所有诊断均在9个月内确立。XGBoost获得了最高的准确度(0.89)和特异度(0.95),但灵敏度较低(0.46)。J48获得了最高的灵敏度(0.87)和ROC AUC(0.79),特异度为0.71。纳入包括复发性惊厥在内的临床特征后,灵敏度提升至0.95。最相关的预测因子为患者病史、频带功率(特别是较低频带功率增加)和高频振荡计数。 结论: 基于首次热性惊厥后初始EEG的ML分析可能有助于早期癫痫风险分层。J48提供了优越的灵敏度,而将EEG衍生生物标志物与临床数据相结合进一步增强了预测性能。有必要进行前瞻性、多中心研究来证实这些发现。
本研究聚焦于热性惊厥(FS)后癫痫风险的预测难题。FS是儿童期最常见的发作性疾病,但其后续进展为癫痫的风险预测长期缺乏可靠工具。尽管传统分类(单纯型、复杂型、热性惊厥持续状态)具有一定的预后提示作用,但脑电图(EEG)在此场景下的预测价值一直存在争议。为此,研究人员开展了这项回顾性观察研究,旨在通过应用机器学习(ML)技术分析首次FS后的EEG数据,识别能够改善未来癫痫预测的电生理标志物。该研究已发表于《Epileptic Disorders》。
在研究方法上,研究人员纳入了2018年至2021年间104例符合国际抗癫痫联盟(ILAE)标准的首次FS患儿。EEG记录均采集于N2睡眠阶段,并采用了两种截然不同的预处理流程:常规分析进行1-40 Hz滤波,而高频振荡(HFOs)分析则保留了80-250 Hz的宽带数据以避免伪迹。研究人员提取了包括频带功率、睡眠纺锤波特征和详细HFOs指标在内的34个基础特征,结合不同通道数据共生成93个输入变量。随后,六种ML算法(J48决策树、随机森林、梯度提升、XGBoost、kNN、SVM)被采用10×7重复交叉验证进行训练和评估,主要评价指标涵盖灵敏度、特异度、准确度、ROC AUC及F1分数。
研究结果部分,首先在临床数据与模型性能方面,104例患儿中有13例(12.5%)在中位4.2个月的随访期内发展为癫痫。模型性能评估显示,XGBoost算法实现了最高的准确度(0.89)和特异度(0.95),但其灵敏度仅为0.46,表明其在识别阳性病例方面存在局限。相比之下,J48决策树表现出了最高的灵敏度(0.87)和ROC AUC(0.79),并在纳入复发性惊厥等临床特征后,将灵敏度进一步提升至0.95。
其次,在特征重要性分析中,研究发现临床病史变量和特定的EEG衍生特征对分类贡献最大。其中,复发性热性惊厥是最具影响力的临床预测因子。在EEG特征方面,较低频带(特别是δ和θ频段)功率的增加,以及较高数量和较长持续时间的HFOs,与癫痫分类呈正相关。
讨论部分总结指出,本研究证实了利用N2睡眠EEG结合ML技术预测FS后癫痫风险的潜力。研究人员强调,N2睡眠阶段的选择对于稳定检测癫痫样放电和振荡生物标志物至关重要。虽然XGBoost在准确度上表现最佳,但在处理不平衡数据集时,J48决策树因其更高的灵敏度可能更适合用于早期风险分层。研究的主要局限性在于其回顾性设计、单中心的小样本量以及缺乏外部验证,这限制了结果的普适性。此外,仅分析N2睡眠可能遗漏清醒期或其他睡眠阶段的病理信息。尽管如此,该研究确立了患者病史和HFOs作为关键预测因子的重要地位,为未来构建更完善的预测模型提供了概念验证。研究人员呼吁后续开展更大规模、包含多种脑电状态的前瞻性多中心研究,以进一步验证并优化这些模型,最终改善首次热性惊厥患儿的长期管理策略。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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