亮点
EEGSurvNet模型通过基于单次常规20-30分钟EEG记录提供患者的时间依赖性风险谱型，在癫痫护理方面取得了显著进展。研究的主要亮点包括：1) EEGSurvNet在预测下次癫痫发作时间方面优于传统的临床Cox模型，在两个月时达到峰值AUROC值0.80。2) 该模型成功识别了被临床解释为正常或缺乏间期癫痫样放电(IEDs)的EEG中的预后信号。3) 将AI衍生特征与标准临床风险因素相结合进一步提高了预测准确性，表明深度学习在临床决策中具有协同作用。4) 空间和频谱分析显示，颞叶-枕叶脑区和6-15 Hz频率范围对于确定癫痫发作风险至关重要。
背景：癫痫发作预后的挑战
癫痫仍然是最常见的神经系统疾病之一，其特点是不可预测的癫痫发作复发。对于临床医生和患者而言，无法准确预测下一次癫痫发作的时间造成了巨大负担，影响了从药物管理、手术时机到日常活动（如驾驶和就业）的各个方面。常规脑电图(EEG)长期以来一直是诊断癫痫的金标准，主要通过识别间期癫痫样放电(IEDs)，如棘波和尖波。然而，单次常规EEG上缺乏IEDs——这发生在大约50%的癫痫患者中——通常使临床医生获得有限的预后信息。当前的风险评估严重依赖于临床病史、病因以及可见异常的存在与否。迫切需要客观、定量的工具，能够从背景EEG活动中提取隐藏的预后特征，以预测随时间的癫痫发作复发。Lemoine等人的这项研究通过将深度生存学习应用于常规EEG数据来解决这一差距。
研究设计和方法
这项回顾性队列研究在一个三级癫痫中心进行，使用了来自994名患者的1014份连续常规EEG记录的强大数据集。主要目标是开发并验证一个名为EEGSurvNet的深度生存模型，能够在两年内预测下一次癫痫发作的时间。
EEGSurvNet架构
与仅预测癫痫是否会发生的传统分类模型不同，EEGSurvNet利用了一个深度生存分析框架。这种方法对随时间变化的’危险’或瞬时癫痫发作风险进行建模，考虑了删失数据（随访期间未发生癫痫发作的患者）。该模型是在原始EEG信号上训练的，允许神经网络直接从时间序列数据中学习复杂的非线性特征，而无需手动特征工程。
人群和比较
研究包括了一个时间偏移的测试集，包含来自115名患者的135份EEG，以确保模型在时间上的泛化能力。研究人员将EEGSurvNet的表现与两个基准进行了比较：结合标准风险因素（如年龄、性别和IEDs的存在）的临床Cox比例风险模型和随机基线模型。主要终点是时间依赖性受试者工作特征曲线下面积(AUROC)、两年内的综合AUROC(iAUROC)和一致性指数(C-index)。
关键发现：时间预测的精确性
验证阶段的结果表明，EEGSurvNet是纵向风险评估的强大工具。该模型实现了2年的iAUROC值为0.69（95% CI = 0.64-0.73）和C-index值为0.66（95% CI = 0.60-0.73）。这些指标显著高于临床Cox模型所达到的水平，表明深度学习架构捕捉到了传统临床变量无法捕捉的预后信息。
优越的短期表现
最具有临床相关性的发现之一是模型在EEG记录后的即刻几个月内的高性能表现。AUROC值在两个月时达到峰值0.80，表明EEG捕获的癫痫发作风险的’生物特征’在短至中期预测中最为强大和可靠。这可能特别有助于在高风险时期调整抗癫痫药物(ASMs)。
隐藏的信号：非IED EEG的预测
最令人震惊的结果之一是模型在没有可见间期癫痫样放电的EEG上的表现。在这个亚组中，EEGSurvNet实现了iAUROC值为0.78，而在有IEDs的组中仅为0.53。这表明，在传统视觉分析无法提供预后线索的患者中（即EEG看起来’正常’），AI能够检测到背景节律中的细微模式，这些模式高度指示即将发生的癫痫发作风险。相比之下，IEDs的存在实际上可能作为’噪声’特征，使得当前模型架构中的生存预测复杂化。
空间和频谱洞察
使用诸如显著性映射等模型解释技术来’打开神经网络的黑箱’。分析显示，该模型主要依赖于大脑的颞叶和枕叶区域。此外，频谱分析显示，6-15 Hz范围内的频率——包括θ波和α波——对风险预测贡献最大。这与现有的生理学理论相符，即丘脑皮层节律和背景减慢在向发作状态过渡中的作用。
专家评论和临床意义
EEGSurvNet的开发标志着从’反应性’到’主动性’的癫痫管理转变。通过提供定量的’无癫痫发作概率’曲线，临床医生可以超越二元评估（例如，’EEG正常/异常’），迈向个性化医疗。
临床效用和分诊
对于首次出现不明原因癫痫发作的患者，EEGSurvNet可以帮助确定是否立即开始使用ASMs或采取’等待观察’的方法。在已确诊的癫痫患者中，该模型可以作为’稳定性的生物标志物’，帮助识别可以安全减少药物剂量的患者或需要更积极干预的患者。
应对局限性
尽管结果令人鼓舞，但仍有一些需要考虑的问题。该研究是回顾性的，并在一个单一的三级中心进行，这可能限制了其在更广泛的初级保健环境中的通用性。IED阳性与IED阴性EEG之间的性能差异也值得进一步调查；可能是IED阳性患者中的’发作’信号如此主导，以至于掩盖了生存模型使用的更微妙的背景特征。未来前瞻性、多中心试验对于验证这些发现至关重要，并评估AI指导的管理是否实际改善了患者结局，如降低癫痫发作频率或提高生活质量。
结论：迈向主动的癫痫管理
EEGSurvNet证明了常规EEG中包含了大量未开发的预后数据。通过利用深度生存学习，研究人员展示了从常规EEG报告中预测未来癫痫发作时间的可能性，其准确性超过了当前的临床标准，特别是在传统EEG报告不具诊断性的患者中。随着这项技术的发展，它有望成为神经学工具包的标准组成部分，为患者咨询和定制癫痫治疗提供数据驱动的基础。
参考文献
1. Lemoine É, Xu AQ, Jemel M, Lesage F, Nguyen DK, Bou Assi E. Development and validation of a deep survival model to predict time to seizure from routine electroencephalography. Epilepsia. 2026 Jan 19. doi: 10.1002/epi.70101. PMID: 41553763. 2. Acharya UR, et al. Deep convolutional neural network for the automated detection and diagnosis of seizure using EEG signals. Comput Biol Med. 2018. 3. Fisher RS, et al. Operational classification of seizure types by the International League Against Epilepsy. Epilepsia. 2017.
