26.04.2026 |
Pi-Lien Hung, MD, PhD ᵃ,ᵇ, Jen-Ping Chen, MD ᶜ, Tzu-Ping Lin, MS ᵈ, Tzu-Yun Hsieh, MD ᵃ,ᵇ, Yi-Fen
Chen, MD ᵃ,ᵇ, Ting-Yu Su, MD ᵃ,ᵇ, Syu-Jyun Peng, PhD ᵉ,ᶠ,*
מבוא ומטרת המחקר אפילפסיה עמידה לתרופות (DRE) מוגדרת כחוסר הצלחה בהשגת הפוגה בפרכוסים לאחר ניסיונות טיפול בשתי תרופות אנטי-אפילפטיות (AEDs) מתאימות. עבור ילדים אלו, דיאטה קטוגנית (KDT) היא חלופה טיפולית מוכחת, אך שיעורי התגובה משתנים (30%-60%). המחקר הנוכחי ביקש לזהות סמנים ביולוגיים (Biomarkers) אלקטרו-פיזיולוגיים טרם תחילת הטיפול, שיאפשרו ניבוי מדויק של התגובה הקלינית באמצעות אלגוריתמים של למידת מכונה (Machine Learning), ובכך לחסוך התערבויות תובעניות ממטופלים שאינם צפויים להגיב לטיפול.
מתודולוגיה ומערך המחקר המחקר כלל 43 ילדים (גיל ממוצע 6.34) עם DRE. תגובה לטיפול הוגדרה כהפחתה של ≥50% בתדירות הפרכוסים לאחר 3 חודשי KDT. המדגם חולק ל-24 "מגיבים" (Responders) ו-19 "לא מגיבים" (Non-responders).
- רכישת נתוני EEG: בוצע EEG במצב מנוחה (ערנות, עיניים עצומות) טרם תחילת הדיאטה, תוך שימוש ב-19 אלקטרודות לפי שיטת 10-20.
- עיבוד אותות (Signal Processing): האותות עברו סינון (Band-pass filter 0.5-70 Hz) וניקוי ארטיפקטים (כמו תנועות עיניים ושרירים) באמצעות Independent Component Analysis (ICA).
- חילוץ מאפיינים (Feature Extraction):
- Power Spectrum (PSD) : חישוב עוצמה יחסית בטווחי התדרים Delta, Theta, Alpha, Beta.
- קישוריות תפקודית (wPLI): נעשה שימוש במדד Weighted Phase Lag Index להערכת הסנכרון בין אזורי מוח. מדד זה נבחר בשל עמידותו להשפעות של "הולכה נפחית" (Volume Conduction), מה שמבטיח שהקישוריות הנמדדת משקפת אינטראקציה מוחית אמיתית.
- למידת מכונה: נבחנו שלושה מודלים: SVM (Support Vector Machine), Random Forest (RF) ו-KNN. התוצאות תוקפו באמצעות 10-fold cross-validation למניעת הטיות (Overfitting).
ממצאים עיקריים וניתוח סטטיסטי
- הבדלים בקישוריות (Connectivity): הממצא המובהק ביותר היה קישוריות תפקודית גלובלית גבוהה משמעותית בקבוצת המגיבים בהשוואה ללא-מגיבים בתדרי Alpha ו-Beta (p < 0.05). מבחינה טופוגרפית, הקישוריות המוגברת במגיבים נצפתה בעיקר בין אזורים פרונטליים לאזורים פוסטריוריים (Parietal-Occipital).
- אנליזת ספקטרום (PSD): לא נמצאו הבדלים מובהקים סטטיסטית בעוצמת גלי המוח בין הקבוצות בבסיס, מה שמצביע על כך שארגון הרשת המוחית (ולא העוצמה הגולמית) הוא המנבא הקריטי.
- ביצועי מודל הניבוי:
- מודל ה-SVM הציג את יכולת הניבוי הגבוהה ביותר.
- בשימוש במאפייני קישוריות (wPLI) בלבד: דיוק (Accuracy) של 88.37%, שטח תחת העקומה (AUC) של 0.92, רגישות (Sensitivity) של 91.67% וסגוליות (Specificity) של 84.21%.
- שילוב של מאפייני קישוריות עם נתונים קליניים (כגון מספר ה-AEDs שהמטופל נוטל) שיפר את הדיוק ל-90.70% ואת ה-AUC ל-0.94.
דיון ומסקנות החוקרים מציעים כי רשתות מוחיות המאופיינות בסנכרון גבוה יותר בתדרים מהירים (Alpha/Beta) בבסיס מייצגות מצב פיזיולוגי המגיב טוב יותר לשינויים המטבוליים המושרים על ידי הדיאטה הקטוגנית. קישוריות חזקה זו עשויה להעיד על "גמישות רשתית" המאפשרת ל-KDT לייצב את הפעילות החשמלית המוחית.
מבחינה קלינית, המחקר מספק הוכחת היתכנות לשימוש ב-EEG ככלי לא פולשני וזמין לפרסונליזציה של הטיפול. זיהוי מוקדם של מגיבים פוטנציאליים יכול לשפר את ההיענות לטיפול (Adherence) ולהפחית את הנטל הכלכלי והנפשי על המשפחות. עם זאת, החוקרים מציינים מגבלות הכוללות גודל מדגם קטן ושימוש בנתוני EEG במנוחה בלבד, וקוראים לביצוע מחקרי וולידציה פרוספקטיביים במרכזים מרובים.
Electroencephalography-Based Machine Learning Models for Predicting Ketogenic Diet Outcomes in Pediatric Drug-Resistant Epilepsy