Epilepsyecosystem.org: sistema crowd-sourcing riproducibile per la predizione delle crisi epilettiche tramite EEG intracranico a lungo termine.
Team medici internazionali, dati online e algoritmi ecosystem offrono un’alternativa su larga scala alla collaborazione standard o agli studi multicentrici. Tali ecosistemi facilitano la riproducibilità e il confronto dei riusultati tramite procedure standardizzate. Per esempio, analisi di dati sperimentali standardizzati di alta qualità possono produrre netti miglioramenti degli algoritmi predittivi per la dignosi e il trattamento dei pazienti. Gli algoritmi più promettenti, o insiemi di multipli algoritmi, possono essere selezionati da ampie raccolte tramite procedure standardizzate di valutazione. Questo lavoro presenta un ecosystem crowd-sourcing per la predizione di crisi epilettiche. Questo sistema è emerso da una competizione internazionale, una valutazione di follow-up e dalla creazione di una piattaforma on line, epilepsyecosystem.org, per produrre ulteriori miglioramenti nella predizione dell’insorgenza delle crisi epilettiche.
La casualità e l’incertezza delle crisi condiziona significativamente la sicurezza, i livelli di ansia, le possibilità lavorative e la qualità di vita delle pesone affette da epilessia. La predizione delle crisi offre la possibilità di fornire avvertimenti ai pazienti, in modo che possano portarsi in sicurezza o attivare un intervento, come medicazioni a rapida azione o strumenti di controllo impiantabili che utilizzano la stimolazione elettrica per sopprimere la crisi. Il campo della predizione delle crisi epilettiche è largamente basato sulla ricerca di caratteristiche predittive all’EEG o biomarkers pre ictali che possano essere usati come input negli algoritmi di apprendimento automatico. Questi algoritmi possono essere allenati per fornire in output la probabilità di una crisi imminente e fornire al paziente un’allarme.
Negli ultimi 20 anni, c’è stato un crescente sforzo per lo sviluppo di algoritmi affidabili. Tuttavia, i progressi sono stati limitati dai migliori dati disponibili, rappresentati tipicamente da EEG intracranici (iEEG) brevi ottenuti durante valutazioni intrachirurghiche. Queste registrazioni raramente hanno durata maggiore di due settimane, pertanto non forniscono sufficienti dati per elaborare analisi statistiche da utilizzare negli algoritmi di predizione delle crisi. I dati raccolti nel monitoraggio di pazienti ricoverati sono, inoltre, associati a una graduale riduzione del dosaggio della terapia, il che comporta un allontanamento dal normale stato cerebrale del paziente.
Nel 2013, il primo trial clinico in umani di uno strumento impiantabile per la predizione di crisi epilettiche, il NeuroVista Seizure Advisory System, ha dimostrato la fattibilità della predizione delle crisi attraverso iEEG con registrazioni a lungo termine. Il sistema di registrazione iEEG impiantato era costituito da 16 elettrodi subdurali localizzati a livello del presunto focus epilettogeno. I dati raccolti venivano trasmessi con tecnologia wireless a un sistema personale esterno. In 15 pazienti affetti da epilessia farmacoresistente, la registrazione è stata effettuata per un periodo compreso tra i 6 mesi e i 3 anni. In alcuni pazienti è stata ottenuta una performance predittiva molto elevata, con una sensibilità del 100%, per altri si è solamente raggiunto il 17%. Per incoraggiare nuove prospettive nello studio di device che permettano di prevedere le crisi, è necessario dimostrare che possono essere ottenuti dei miglioramenti rispetto a questo studio pilota e che una performance predittiva soddisfacente è raggiungibile per un gruppo più ampio di pazienti.
In questo lavoro, vengono descritti i risultati della competizione crowd sourcing che ha incluso i dati dei 3 pazienti con i risultati peggiori del trial Neurovista; questo studio rappresenta una applicazione del crowd-sourcing su una base di dati unica, inoltre i dati sono stati resi disponibili alla comunità mondiale al fine dell’avanzamento della ricerca nel campo dell’epilessia. La scelta dei 3 pazienti con i risultati peggiori è stata motivata dalla possibilità di mostrare il massimo beneficio ottenibile attraverso una soluzione crowd-sourcing. Inoltre, la dimostrazione di una corretta previsione in pazienti difficili proverebbe come essa possa essere valida per un gruppo di pazienti più ampio di quelli inizialmente teorizzati. I dati di molte crisi (circa 35) per ciascun pazienti sono stati resi disponibili, fornendo l’oppurtunità per gli algoritmi di apprendimento automatico di essere paziente-specifici.
Solamente le crisi principali, definite come crisi non precedute da un’altra crisi per un minimo di 4 ore, sono state usate per ciascun paziente. I dati offerti sono stati usati per valutazioni di follow-up dei migliori algoritmi alla conclusione della competizione. I dati sono stati resi disponibili per il download sulla pagina del concorso: kaggle.com. I dati forniti sono stati rappresentaiti da clip preictali estratti nei 66 minuti precendeti una crisi, separati da un intervallo di 10 secondi. I partecipanti potevano sviluppare gli algoritmi utilizzando qualsiasi linguaggio di programmazione e usando qualsiasi metodo di processazione di dati. I partecipanti hanno caricato lo score di probabilità preictale (un numero variabile tra 0 e 1 che indicava la probabilità di ciascun clip di essere preictale) per ciascun set di dati. I vincitori sono stati selezionati da un board privato e da un board pubblico. Ai team vincitori (che hanno anche ricevuto un premio in denaro), è stato richiesto di rendere pubblici e disponibili i propri algoritmi con licenza open source.
478 team hanno partecipato alla competizione caricando un totale di 10.082 algoritmi; molti di questi hanno mostrato performance significativamente migliori sia della predizione casuale che dell’algoritmo utilizzato nello studio pilota NeuroVista.
L’evidenza clinica chiave emersa da questo studio è la possibilità di poter sviluppare algoritmi predittivi di crisi epilettica anche per quei pazienti che in precedenza presentavano bassi score di performance predittive. Ciò suggerisce come sia fattibile fornire la possibilità di predire una crisi a un ampio gruppo di pazienti. Inoltre differenti algoritmi si sono dimostrati più performanti per differenti pazienti, evidenziando quindi che gli algoritmi predittivi debbano essere paziente specifici. Per rafforzare i risultati ottenuti si rende necessario uno studio su vasta scala con un monitoraggio a lungo termine per valutare in modo affidabile il quadro epilettico di ciascun paziente e poter scegliere il migliore algoritmo, anche inserendo altre variabili come fattori circadiani e tipologia di epilessia, con l’obiettivo finale di elaborare algoritmi personalizzati.
Epilepsyecosystem.org: crowd-sourcing reproducible seizure prediction with long-term human intracranial EEG
Levin Kuhlmann Philippa Karoly Dean R Freestone Benjamin H BrinkmannAndriy Temko Alexandre Barachant Feng Li Gilberto Titericz, Jr. Brian W LangDaniel Lavery Kelly Roman Derek Broadhead Scott Dobson Gareth JonesQingnan Tang Irina Ivanenko Oleg Panichev Timothée Proix Michal Náhlík Daniel B Grunberg Chip Reuben Gregory Worrell Brian Litt David T J Liley David B Grayden Mark J Cook