Untersuchungen zur Etablierung eines EEG-Biomarkers im Rattenmodell der mesialen Temporallappenepilepsie mit Hippokampussklerose
Hintergrund: Epilepsien gehören zu den weltweit häufigsten neurologischen Erkrankungen. Die mesiale Temporallappenepilepsie (mTLE) ist eine fokale Form der Epilepsie und stellt in Kombination mit einer Hippokampussklerose (HS) die am häufigsten auftretende Form der fokalen Epilepsien im Erwachsenena...
Saved in:
Main Author: | |
---|---|
Contributors: | |
Format: | Doctoral Thesis |
Language: | German |
Published: |
Philipps-Universität Marburg
2023
|
Subjects: | |
Online Access: | PDF Full Text |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | Hintergrund: Epilepsien gehören zu den weltweit häufigsten neurologischen Erkrankungen. Die mesiale Temporallappenepilepsie (mTLE) ist eine fokale Form der Epilepsie und stellt in Kombination mit einer Hippokampussklerose (HS) die am häufigsten auftretende Form der fokalen Epilepsien im Erwachsenenalter dar. Sie ist häufig therapierefraktär und durch das Auftreten spontaner epileptischer Anfälle (SpEA) gekennzeichnet. Diese Anfälle lassen sich im Elektroenzephalogramm (EEG) nachweisen. Ursächlich für eine Epilepsie können initial schädigende Ereignisse (IPI, initial precipitating injury) u.a. durch Schädel-Hirn-Trauma, Ischämie oder Hyperthermie sein. Nach einem IPI beginnt die Epileptogenese (EPG). Im Rahmen eines IPI können akut symptomatische Anfälle (ASA EPG) auftreten. Die EPG lässt sich nicht sicher nachweisen. Mit Auftreten des ersten SpEA besteht eine manifeste Epilepsie (MFE).
Fragestellung / Ziel: Etablierung eines EEG-Biomarkers der EPG aus iktalen und nicht-iktalen EEG im mTLE-HS-Rattenmodell
Methoden: Im Versuchsmodell wurden bei Ratten Stimulationselektroden in den Tractus perforans und Ableitelektroden in den Gyrus dentatus des Hippokampus implantiert. Um eine EPG auszulösen, wurde anschließend nach einer einwöchigen Erholungsphase (BL, Baseline) der Tractus perforans an zwei aufeinander folgenden Tagen für 30 min und am dritten Tag für 8 h stimuliert (PPS, perforant pathway stimulation). Die EEG-Aufzeichnung erfolgte über den gesamten Zeitraum der BL, EPG und MFE. Dadurch wurden iktale EEG mit akut symptomatischen Anfällen nach Elektrodenimplantation (ASA BL), ASA EPG und SpEA sowie nicht-iktale EEG erfasst.
Eine Auswahl der iktalen EEG wurde manuell segmentiert und Features anhand der Morphologie extrahiert. Weiterhin wurden aus iktalen und nicht-iktalen EEG-Intervallen Features automatisiert berechnet.
Ergebnisse: Es wurden 961 Anfälle (16,6% ASA BL, 58,3% ASA EPG, 25,1% SpEA) von 32 Tieren analysiert. Von 12 dieser Tiere wurden 63 Tage nicht-iktales BL-EEG, 316 Tage EPG-EEG und 295 Tage MFE-EEG untersucht.
Mit der Segmentmodellierung von 49 repräsentativen iktalen EEG gelang es nicht wesentlich besser als mit Ratewahrscheinlichkeit, zwischen ASA- und SpEA-Segmenten zu unterscheiden. Am stärksten korrelierten ASA EPG-Segmente mit Spike- und Polyspike-Mustern bei negativer Polarität. ASA BL-Segmente korrelierten mit Slow Wave-Mustern, positiver Polarität und geringer relativer Amplitude der Muster. SpEA-Segmente waren durch eine hohe relative Amplitude der Muster gekennzeichnet.
Nach automatisierter Feature Extraction und Modellierung mit XGBoost wurden ASA EPG, die nach PPS auftraten, zu 88% korrekt als ASA EPG erkannt. Wichtigste Features für diese Modellierung waren Coastline, Intermittency und Coherence, die mit einem frei verfügbaren Programm berechnet wurden.
Die Accuracy der EPG-Erkennung nach Modellierung nicht-iktaler EEG war bei 3 Tieren sehr gut (95,5 ± 2,7%). Bei 3 Tieren zeigte sich nur zu Beginn der EPG eine gute Accuracy (84,4 ± 8,7%). Wichtigste Features für diese Modellierungen waren Asymmetry sowie die Power-Werte von Theta 5-8 Hz, Gamma 100,1-160 Hz, Beta 14-30,9 und 20-30 Hz.
Schlussfolgerung: Die prinzipielle Eignung von transformiertem iktalen und nicht-iktalen Einkanal-EEG für die Etablierung eines Biomarkers der EPG im Tiermodell der mTLE-HS konnte gezeigt und bestätigt werden. Die Erkennungsleistungen der dafür verwendeten Klassifikationsalgorithmen variierten jedoch zwischen den Versuchstieren stark. Zur Etablierung zuverlässiger EEG-Biomarker sollten die vorgestellten Untersuchungsmethoden erweitert und auf größere Datensätze angewendet werden. |
---|---|
DOI: | 10.17192/z2023.0354 |