Automatisierte Aufbereitung und Auswertung von diagnostischen Interviews zur Differenzialdiagnostik bei epileptischen und dissoziativen Anfällen

Abstract-Text (inklusive Referenzen und Bildunterschriften)

Fragestellung

Mit einem Anteil von 20-30% bilden Menschen mit dissoziativen Anfällen (auch "psychogenen nicht-epileptischen" Anfällen) die größte differenzialdiagnostische Patientengruppe auf spezialisierten Epilepsiestationen. Aufgrund unzureichender diagnostischer Möglichkeiten, wie dem Fehlen des "Gold Standards" Video-EEG im ambulanten Setting, erhalten viele PatientInnen mit dissoziativen Anfällen die Fehldiagnose einer Epilepsie und werden oft über einen Zeitraum von mehreren Jahren mit antikonvulsiven Medikamenten behandelt, welche nicht wirksam sind und teilweise erhebliche Nebenwirkungen verursachen. Im Rahmen des Bielefelder "Epiling" Projekts sowie in mehreren multilingualen Folgestudien konnte gezeigt werden, dass sich epileptische und dissoziative Anfälle anhand der Anfallsbeschreibung zuverlässig unterscheiden lassen. Die manuelle Transkription und Auswertung sowie das hierzu notwendige linguistische Know-How verhindern jedoch eine Implementierung dieser Methode in die differenzialdiagnostische Routine. Mithilfe revolutionärer Fortschritte in Anwendungsbereichen von Machine Learning (ML), wie dem Natural Language Processing (NLP), könnten sich diagnostische Interviews mittels automatisierter Aufbereitung und Auswertung in wenigen Jahren als differenzialdiagnostischer Standard etablieren.

Methoden

Im Rahmen eines stationären Aufenthalts für ein mehrtägiges Video-EEG planen wir je 100 PatientInnen mit dissoziativen bzw. epileptischen Anfällen zu interviewen und neuropsychologisch zu untersuchen. Die hieraus gewonnenen Tonaufnahmen werden mittels state-of-the-art NLP-Algorithmen transkribiert. Anschließend werden anhand verschiedener linguistischer und akustischer Parameter ML-gestützte Klassifikationsmodelle entwickelt. Die Ergebnisse aus dem Video-EEG (dissoziativ vs. epileptisch) dienen als Supervisor. Zusätzlich werden weitere leicht zugängliche Informationen (sozio-demografische Faktoren, Anfallssemiologie, psychiatrische Diagnosen, und neuropsychologische Leistungsprofile) in das Prädiktionsmodell eingehen. Langfristiges Ziel ist die Entwicklung eines App-gestützten diagnostischen Interviews, mit dessen Hilfe niederschwellig und weitgehend automatisiert (z.B. in der Hausarztpraxis) ein Risk-Score für epileptische bzw. dissoziative Anfälle erhoben werden und ggf. eine deutlich frühere differenzialdiagnostische Abklärung auf spezialisierten Epilepsiestation erfolgen kann.

Ergebnisse

In vorherigen Studien konnte mittels der linguistischen Analyse diagnostischer Interviews eine hohe differenzialdiagnostische Prädiktionskraft von 71-86% (vgl. Biberon et al. 2020; Beghi et al. 2020; Jenkins et al. 2016; Pevy et al. 2021) für epileptische bzw. dissoziative Anfälle erreicht werden. Da in unserem Ansatz verschiedene Prädiktionsparameter kombiniert werden, erwarten wir eine ähnlich hohe oder höhere Diskrimination zu erzielen.

Schlussfolgerungen

Der Einsatz von Machine Learning im Kontext der sprachbasierten Differenzialdiagnostik von epileptischen und dissoziativen Anfällen bietet eine große Chance für Verbesserungen in der Diagnostik und Versorgung von betroffenen PatientInnen.