Mustafa Halimeh (Berlin / DE), Michele Jackson (Boston, MA / US), Solveig Vieluf (Boston, MA / US), Tobias Loddenkemper (Boston, MA / US), Christian Meisel (Berlin / DE)
Abstract-Text (inklusive Referenzen und Bildunterschriften)
Fragestellung
Bei der ambulanten Überwachung von Epilepsie sind objektive Methoden zur Detektion von Anfällen von entscheidender Bedeutung. Wearables, die verschiedene physiologische Signale aufzeichnen, haben sich für die Detektion von tonisch-klonischen Anfällen als vielversprechend erwiesen. Jedoch weisen diese Methoden auch Fehlalarme und nicht detektierte Anfälle auf. Ein besseres Verständnis von Einflussfaktoren, wie anfallssupprimierende Medikation, Art, Dauer und Schwere der Anfälle, als auch Erkenntnisse, welche Patienten besonders von einer solchen Methode profitieren, erscheinen daher notwendig. Zudem treten Anfallssignaturen oft über längere Zeiträume auf, und bisherige Wearable-Methoden nutzen diese Signaturen, wie z. B. eine anhaltend hohe elektrodermale Aktivität und Herzfrequenz nach einem Anfall, nur zum Teil. Mit Deep Learning lassen sich diese Signaturen u.U. für eine robuste Anfallserkennung nutzen.
Methoden
Hier berichten wir über die Auswertung multimodaler Daten von einem Wearable (elektrodermale Aktivität, EDA, Akzelerometrie, ACC, Herzfrequenz, HR; Empatica E4; überlappende 1-Stunden Intervalle über mehrere Tage) zur Erkennung von Anfällen mittels Deep Learning. Dabei untersuchen wir systematisch Einflussfaktoren auf die Detektionsperformanz (Sensitivität; Fehlalarme pro 24 Stunden, FAR; AUC; leave-one-subject-out cross-validation), darunter Patientenalter, anfallssupprimierender Medikation (ASM), Anfallsart und -dauer, Datenartefakte. Mittels Methoden der erklärenden KI (explainable AI) werden Einflussfaktoren auf Signalebene untersucht (UMAP zur Darstellung der Trennbarkeit der gelernten Merkmale; SHAP-Werte zur Darstellung der informativsten Datensignaturen). Potenzielle Datenartefakte werden mittels des EDA-Signals quantifiziert und ausgeschlossen.
Ergebnisse
Wir haben Daten von 76 Patienten mit Epilepsie während des mehrtägigen Video-EEG-Monitorings untersucht, von denen 23 Patienten tonisch-klonische Anfälle hatten (14±4 Jahre, 45 tonisch-klonische Anfälle, 111 Anfälle insgesamt). Die durchschnittliche Performanz stieg systematisch mit dem Patientenalter (AUC 0,85 für Patienten >15 Jahre; AUC 0,75 für alle Patienten). Anfälle unter hoher ASM-Dosis und mit kürzerer Dauer wurden schlechter erkannt (p<0,05). UMAP konnte die Trennschärfe auf individueller Patienteneben visualisieren und SHAP-Analysen identifizierten kloniforme motorische Aktivität sowie postiktale Anstiege in HR und EDA als informativste Signalparameter.
Schlussfolgerungen
Unsere Ergebnisse zeigen den Nutzen längerer Datensegmente zur Erfassung postikaler Dynamik für die Anfallsdetektion, tragen zur Erklärbarkeit von Algorithmen bei und weisen auf mögliche Einflussfaktoren hin, darunter hohe ASM-Dosis und kurze Anfallsdauer. Zudem tragen die Ergebnisse möglicherweise dazu bei, Patienten zu identifizieren, welche besonders von einem solchen Monitoring profitieren.