OJİNAL ARAŞTIRMA MAKALESİ
Front. Neurol., 13 Kasım 2026
Sec. Epilepsi
Cilt 17 – 2026 | https://doi.org/10.3389/fneur.2026.1991746
- SX
Shen Xu 1,2,3
- MX
Minghao Xu 1,2,3
- RZ
Runze Zheng 4
- LL
Lu Liu 2
- HK
Hui Ke 2
- TJ
Tiejia Jiang 5
- CW
Chunlin Wang 2*
- TJ
Tao Jiang 1,3*
-
1. Anhui Tıp Üniversitesi 1. Bağlı Hastanesi, NöroCerrahi Bölümü, Hefei, Anhui, Çin
-
2. Çin Halk Kurtuluş Ordusu Birleşik Hizmet Destek Gücü 901. Hastanesi, NöroCerrahi Bölümü, Hefei, Anhui, Çin
-
3. Anhui Kamu Sağlığı Klinik Merkezi, Hefei, Anhui, Çin
-
4. Zhejiang Ekonomi Teknik Enstitüsü, Dijital Teknoloji Enstitüsü, Hangzhou, Zhejiang, Çin
-
5. Zhejiang Üniversitesi Tıp Fakültesi, Çocuk Hastanesi, Çocuk Sağlığı için Klinik Araştırma Merkezi, Nöroloji Bölümü, Hangzhou, Zhejiang, Çin
Makale metrikleri
Özet
İlaça dirençli epilepsi (İD), kötü klinik sonuçlarla ilişkilidir. İktal dışı deri EEG’si temelli İD tanısı, yöntemsel bir sınırlamayla karşılaşır: segment düzeyindeki modeller genellikle grup düzeyindeki patolojik farklardan çok, bireye özgü EEG desenlerini yakalar. Bu retrospektif çalışmada 42 hastaya (21 İD, 21 İD olmayan) EEG temelli İD tanı çerçevesi oluşturuldu. Zamanlı, spektral ve doğrusal olmayan çoklu alan özellikleri çıkarıldı ve özelliklerin patolojik ayırt edicilik geçerliliğini doğrulamak için hasta düzeyinde istatistiksel testlerle makine öğrenimini birleştiren karşılıklı doğrulama stratejisi uygulandı. ReliefF özellik seçimiyle çoklu alan destek vektör makinesi kuruldu, tek tek çıkararak çapraz doğrulama ve ayırık doğrulama ile değerlendirildi ve ayrıca yorumlanabilirlik ile klinik korelasyonlar açısından incelendi. Klinik ve elektrofizyolojik özelliklerde anlamlı gruplar arası farklar saptandı; prefrontal zamanlı istatistiklerde, θ/β bant gücünde ve entropi özelliklerinde belirgin değişiklikler gözlemlendi. Çoklu alan modeli tek alan modellerini tutarlı biçimde geride bıraktı; prefrontal β/γ gücü ve entropi özellikleri, hastalık süresi ve nöbet sıklığıyla anlamlı biçimde ilişkili temel aday biyarkerlar olarak belirlendi. Bu çalışma, prefrontal EEG özelliklerini aday İD biyarkerları olarak ortaya koyuyor ve birleştirilmiş doğrulama çerçevesi, sınıflandırma performansının patolojik temellerini destekliyor. Yine de tek veri setinden retrospektif tasarım ve sınırlı kıyaslama karşılaştırmaları, bulguların genellenebilirliğini sınırlıyor. Çerçevenin genelleme kapasitesini ve klinik çevrilebilirlik potansiyelini değerlendirmek için çok merkezli dış doğrulama gerekli.
1. Giriş
İlaça dirençli epilepsi (İD), yeterli dozda iki veya daha fazla uygun şekilde seçilmiş ve tolere edilen antiepileptik ilaç (AEİ) denemesine rağmen sürüklenen nöbetlerle karakterize edilen ve resmi olarak şu şekilde tanımlanan epilepsi (, ), günc epilepsi yönetiminde kritik bir klinik zorluk temsil eder. Klinik pratikte iyi bilinen bir darboğaz, uzayan tanı sürecidir: Her AEİ rejimi için doz titrasyonu ve tolerans değerlendirmesi genellikle 3-6 ay ( ) sürmekte; iki başarısız AEİ denemesinden sonra İD’nin doğrulanması ise ek 1-2 yıllık doz ayarlaması ve uzunlamasına gözlem gerektirmektedir ( ). Biriken kanıtlar, ilk nöbetten kesin İD tanısına kadar geçen ortalama sürenin birkaç yılı kapsadığını ( ) göstermekte, bu da optimal terapötik müdahalelerin başlatılmasını önemli ölçüde geciktirmektedir. Buna göre, İD için doğru ve erken tanı yöntemlerinin geliştirilmesi ve altında yatan patofizyolojik mekanizmaların aydınlatılması, bireyselleştirilmiş tedavinin optimize edilmesi ve hastalardan alınan sonuçların iyileştirilmesi açısından büyük klinik öneme sahiptir.
İD’nin klinik değerlendirmesi, çok modallı klinik ve paraklinik verilerin bütünleştirilmesini gerektirir; bu veriler arasında kafa derisi elektroensefalografi (EEG), epileptiform deşarjları tespit eden temel klinik araçtır ve hem tanısal değerlendirmede hem de cerrahi öncesi lokalizasyonda iyi belgelenmiş değere sahiptir ( ). Son yıllarda, kantitatif EEG (qEEG) analizinin makine öğrenmesi (ML) algoritmalarıyla birleştirilmesi, nöbet-dışı nöronal aktivite özelliklerine dayanan nöbet-denizi tanımlama modellerinin kurulmasını mümkün kıldığı için erken İD tespitinde ana akım bir araştırma yönü olarak öne çıkmıştır ( ).
EEG kaynaklı özelliklerle ilaç dirençli epilepsi (DRE) arasındaki ilişkiyi inceleyen kapsamlı çalışmalar, ML modellemesi için sağlam bir özellik temeli sağlamıştır. Örneğin, Pegg ve arkadaşları, idyopatik jeneralize epilepsili ilaç yanıtı olan ve ilaç dirençli hastalar arasında α bandı ağ topolojisinde anlamlı farklar tespit etmiştir (); en son olarak Achar ve arkadaşları, uyku EEG’sinde interiktal yüksek frekanslı salınımların (80-250 Hz) lateralizasyon değerini doğrulamış, Wagh ve arkadaşları ise interiktal alan-spektral EEG özelliklerinin ilaç yanıtı temporal lob epilepsini ilaç dirençli epilepsiden ayırt edebileceğini ortaya koymuştur. Algoritma uygulaması açısından, mevcut ML tabanlı DRE çalışmaları iki kategoriye ayrılabilir: geleneksel yorumlanabilir ML modelleri ve derin öğrenme modelleri. Derin öğrenme çalışmalarının giderek artan bir kısmı rekabetçi sınıflandırma performansı bildirmiş olsa da, genellikle sınırlı model yorumlanabilirliği ve model çıktılarının arka plandaki patofizyolojik mekanizmalara atanmasında zorluk yaşarlar. Buna karşılık, manuel özellik mühendisliğiyle birleştirilen geleneksel ML modelleri daha iyi yorumlanabilirlik ve klinik uyum sunar; temsili çalışmalar arasında Mao ve arkadaşlarının önerdiği erken DRE tahmin modeli () ve Ntolkeras ve arkadaşlarının geliştirdiği epileptojenik ağ lokalizasyon modeli () yer alır.
Buna rağmen, mevcut ML tabanlı DRE tespit araştırmalarında, klinik çevirimi sınırlayan kritik kısıtlamalar halen var. Birincisi, mevcut ML modellerinin çoğu yalnızca tek veya az sayıda elektrofizyolojik özellik alanına dayanarak oluşturuluyor ve çok alanlı özelliklerin tamamlayıcılığı sistematik olarak doğrulanmıyor; buna karşılık yaş ve cinsiyet gibi temel klinik karıştırıcı değişkenler genellikle göz ardı ediliyor, bu da modellerin heterojen klinik kohortlardaki istikrarını azaltıyor. İkincisi, mevcut çalışmalar genellikle model yorumlanabilirliği için hedefli bir tasarım içermiyor: çok alanlı özellikler arasındaki hiyerarşik ilişkiler ve çok ölçekli etkileşim mekanizmaları iyi anlaşılmıyor ve çoğu model tek bir doğrulama stratejisi benimsiyor, bu da model sağlamlığının yeterli şekilde doğrulanmamasına yol açıyor. Üçüncüsü ve en önemlisi, mevcut ML çalışmalarının çoğu sınıflandırma doğruluğunu artırmaya odaklanırken, dirençli ve duyarlı epilepsinin içsel patofizyolojik farklarının sistematik karşılaştırmalı analizinden yoksun olması, model çıktılarının klinik olarak yorumlanabilir mekanistik içgörülere dönüştürülmesini zorlaştırıyor (, ).
Mevcut ML çalışmalarının yukarıda belirtilen kısıtlamalarını aşmak amacıyla, bu çalışma DRE tespiti ve patofizyolojik değerlendirme için epilepsi sırasında görülen (interiktal) EEG tabanlı yorumlanabilir bir ML çerçevesi önermektedir. Bu çalışma, dirençli epilepsinin altında yatan mekanizmaları daha iyi açıklamayı ve erken DRE tespiti için doğru bir yöntem kurmayı; böylece tedavi ayarlaması için kritik bir tedavi penceresi sağlayarak nihayetinde epilepsi hastalarının klinik sonuçlarını iyileştirmeyi amaçlamaktadır. Bu çalışmanın analiz çerçevesi, Şekil 1’de gösterildiği gibi üç temel bileşenden oluşmaktadır: veri toplama ve ön işleme, çok alanlı özellik çıkarma ve modelleme ve sonucun yorumlanması. Bu çalışmanın mevcut ML çalışmalarına göre öne çıkan başlıca katkıları aşağıda özetlenmektedir:
Şekil 1
-
Zaman, spektral ve doğrusal olmayan alanları kapsayan çoklu alan EEG özellikleri sistematik olarak çıkarılır. Gruplar arası istatistiksel testlerle makine öğrenimi modellemesini birleştiren karşılıklı doğrulama çerçevesi oluşturulur ve modelin örnek düzeyinde eğitilmesine rağmen, iki epilepsi grubu arasındaki patolojik farkları bireye özgü EEG özellikleri yerine yakaladığı doğrulanır. ReliefF özellik seçimi ile model, DRE tespitinde %93 doğruluk sağlar.
-
Model sağlamlığını güvence altına almak için tek-out-cross-validasyon (LOOCV) ve tutulmuş doğrulama yöntemlerini birleştiren çift doğrulama stratejisi benimsenir. Sistematik yorumlanabilirlik analizi gerçekleştirilir ve DRE ayırt ediciliği için ön frontal β ve γ bant spektral gücü ile entropi özellikleri temel aday biyomarker olarak belirlenir.
-
DRE’ye özgü EEG imzaları ile temel klinik değişkenler (yani hastalık süresi ve nöbet sıklığı) arasında anlamlı ilişkiler belirlenir. Bu bulgu, elektrofizyolojik değişikliklerle hastalık ilerlemesi arasındaki patolojik ilişkiyi ortaya koyar ve bireyselleştirilmiş klinik tanı ve tedaviye destek sağlar.
Bu çalışma iki temel içgörü sunar. Birincisi, DRE hastalarının daha erken yaşta başlangıç gösterdiği, daha fazla sayıda antiepileptik ilaç (AED) gerektirdiği ve daha yüksek nöbet sıklığına sahip olduğu; bu desenin erken beyin hasarı ile kalıcı anormal nöronal deşarjların birleşiminin ilaç direncinin altında yatan nöroplastik yeniden düzenlemeyi sürükleyebileceğini işaret etmesidir. İkincisi, EEG özelliklerinin hastalık süresi, nöbet sıklığı ve lezyon lateralizasyonu ile güçlü ilişkiler göstermesi; uzun süreli patolojik süreçlerin beyinsel elektriksel aktivite üzerindeki derin etkisini yansıtır.
2 Veri toplama ve ön işleme
2.1 DRE hastaları için dahil etme kriterleri
Bu çalışma, interiktal kafa derisi EEG özellikleri ile DRE hastalarında temel klinik değişkenler (cinsiyet, yaş, hastalık süresi ve nöbet lateralizasyonu) arasındaki korelasyonları inceleyerek DRE ile İlaça Dirençli Olmayan Epilepsi (Non-DRE) arasında ayrım yapan bir sınıflandırma çerçevesi geliştirmeyi; böylece DRE için potansiyel aday biyomarker’ları belirlemeyi amaçlamaktadır. Tüm hasta verileri, Çin Halk Kurtuluş Ordusu Birleşik Lojistik Destek Gücü’nün 901. Hastanesi Nörocerrahi Bölümü’nden temin edilmiş olup, detaylı DRE dahil etme kriterleri Şekil 2A’da gösterilmiştir.
Şekil 2
Epilepsi tanısı doğrulanmış hastalar başlangıçta epileptik olmayan olaylar ve akut semptomatik nöbetler hariç tutulmak üzere taramaya alınmıştır. Bu kohorttan, klinik verilerin bütünlüğü ve ilaç uyumu temel alınarak ya DRE ya da Non-DRE kriterlerini karşılayan olgular seçilmiştir. Epileptojenik bölge (EZ) lokalizasyonunun klinik önemi göz önünde bulundurularak hastalar, video-EEG ve MRI ile doğrulanmış EZ lokalizasyonuna göre sol yarım küre, sağ yarım küre veya bilateral alt gruplara ayrılmıştır. Bu keşif niteliğindeki çalışmada epilepsi sendromuna göre daha ileri bir ayrım yapılmamış; bu durum temel olarak güncel örneklem büyüklüğü ile sınırlıdır. Bu çalışma, alt tip-specifik odaksal özellikler yerine iluca dirençli epilepsinin yaygın ağaç düzeyindeki EEG anormalliklerine odaklanmaktadır. Tüm hasta dahil etme ve veri etiketleme işlemleri, sertifikalı iki nörocerrah tarafından gerçekleştirilmiştir.
Nihali kohort 42 epilepsi hastasından oluşmaktaydı: 21 DRE olgusu (7 sol/7 sağ/7 bilateral başlangıç; 10 erkek/11 kadın; yaş 4–55 yaş; hastalık süresi 2–26 yıl; 1–3 AAİ; nöbet sıklığı ayda 1,17–20) ve 21 Non-DRE kontrolü (8 unilateral/13 bilateral başlangıç; 9 erkek/12 kadın; yaş 5–58 yaş; hastalık süresi 1–22 yıl; 2–4 AAİ; nöbet sıklığı ayda ≤ 0,42). Nöbet tipleri odaksal nöbetleri (otonomik aura [AA], otonomik nöbetler [AUTS]) ve jeneralize nöbetleri (jeneralize tonik-klonik [GTCS], miyoklonik [MYO], tonik [TON]) kapsamaktadır (). Kapsamlı demografik ve klinik özellikler Tablo 1’de sunulmuştur.
Tablo 1
| Evcil ilaca dirençli olmayan epilepsi (Non-DRE) | Evcil ilaca dirençli epilepsi (DRE) | P değeri | |||||
|---|---|---|---|---|---|---|---|
| Parametre | İkili | Sol | Sağ | İkili | Sol | Sağ | |
| Yaş (yıl) | 21,08 ± 17,09 | 29,75 ± 15,11 | 28,75 ± 12,09 | 15,43 ± 10,78 | 20,86 ± 17,07 | 15,29 ± 7,18 | 0,11 |
| Cinsiyet (Erkek/Kadın) | 7:6 | 2:2 | 0:4 | 3:4 | 3:4 | 4:3 | 0,76 |
| Başlangıç yaşı (yıl) | 12,62 ± 10,48 | 23,75 ± 19,14 | 26,75 ± 12,28 | 7,11 ± 7,52 | 13,86 ± 11,95 | 7,00 ± 3,27 | 0,03 |
| Hastalık süresi (yıl) | 8,15 ± 7,60 | 6,00 ± 6,88 | 2,00 ± 0,82 | 8,71 ± 8,18 | 8,43 ± 6,05 | 8,43 ± 6,43 | 0,35 |
| ASM sayısı | 1,38 ± 0,65 | 1,75 ± 0,50 | 1,00 ± 0,00 | 2,43 ± 0,79 | 2,00 ± 0,00 | 2,43 ± 0,53 | < 0,001 |
| Savurma sıklığı (ay başına) | 0,14 ± 0,12 | 0,10 ± 0,07 | 0,06 ± 0,05 | 13,48 ± 16,23 | 3,76 ± 3,00 | 5,87 ± 4,98 | < 0,001 |
| Savurma tipleri | GTCs, AUTS, DIAL, TON, VERS | GTCs, DIAL, SS, TC | DIAL, GTCs, SS, TC, DJ | AUTA, CMS, TON, DIAL, SS, TC, MYO, SPAS, VERS | AUTS, DIAL, AA, VERS, SS, TC | VERS, AUTS, CMS, DIAL, TON, VA, AA | – |
İvcil ilaca dirençli olmayan ve ilaca dirençli epilepsi hastaları arasında klinik ve demografik özelliklerin karşılaştırılması.
GTCS, jeneralize tonik-klonik savurmalar; AUTS, automotor savurmalar; DIAL, dialeptik savurmalar; CMS, kompleks motor savurmalar; TON, tonik savurmalar; VERS, versif savurmalar; SS, hafif savurmalar; TC, temporal kompleks; SPAS, spazmlar; MYO, mioklonik; VA, vokal otonom hareketler.
Kaynak: Epilepsi hastası kohortundan klinik veriler.
2.2 EEG veri toplama ve işleme
Tüm veriler, Anhui Tıp Üniversitesi ve Birleşik Lojistik Destek Kuvveti 901. Hastanesi (JLSF-PLA 901. Hastanesi) Etik Kurulları tarafından onaylanan protokoller doğrultusunda hastalardan ve yasal velilerden alınan yazılı onlamla elde edildi. Hastaneler veritabanından 2022 ile 2025 yılları arasında tedavi edilen hastalara ait interiktal skalp EEG kayıtları, EB Neuro EEG sistemleri kullanılarak alındı. Kayıtlar standart parametrelerle uyumlu şekilde gerçekleştirildi: REF referans elektrodu, 256 Hz örnekleme hızı ve 16-24 saat süre. Elektrotlar, 10–20 uluslararası sistemine uygun olarak 19 kanallı konfigürasyonla yerleştirildi (Fp1/Fp2,F3/F4,F7/F8,C3/C4,T3/T4,P3/P4,T5/T6,O1/O2,Fz/Cz/Pz) ve anatomik adlandırmalar Şekil 2A’da detaylandırılmıştır; yarım küre eşlemesi tutarlı biçimde uygulanmıştır.
Sleep EEG’lerin analiz için seçilmesinde temel olarak aşağıdaki gerekçeler öne çıkmaktadır: (1) Interiktal epileptiform deşarjlar NREM uykuda belirgin biçimde aktive olur ve uykuda arka plan EEG desenleri daha yüksek kararlılık gösterir; daha az elektromiyografi ve okülografik artefakt içeren bu yapı, daha güvenilir nicel özellik çıkarımını sağlar. (2) Bu çalışmada odaklanılan prefrontal EEG özellikleri (örneğin bant gücü, spektral entropi) uykuda birey içi tutarlılık gösterir ve aday biyomarkerların taraması ile tespitine daha uygundur. (3) Bu seçim, dirençli epilepsideki mevcut nicel EEG çalışmalarının büyük bölümüyle uyumlu olup, araştırma sonuçlarının karşılaştırmalı değerlendirilmesini kolaylaştırır.
Santrilleri minimize etmek için, uyku sırasında interiktal epileptiform deşarjlar içeren 15 dakikalık santril-sayıca seyrek EEG segmentleri seçtik. Nicel özellik çıkarması için analiz pencerelerini daha da filtreledik ve yalnızca belirgin epileptiform deşarjlar (patikalar veya keskin dalgalar) içermeyen interiktal dinlenme durumu EEG segmentlerini kullandık. Açıkça patika içeren segmentler, arka plan EEG aktivitesinin nicel analizine geçici epileptik aktivitenin karışmasını önlemek için hariç tutuldu. “Interiktal epileptiform deşarjlar içeren” tanımı, tüm 15 dakikalık kayıt segmentlerine işaret ederken, özellik hesaplamasında kullanılan analiz pencereleri, açık deşarj olayları içeren alt pencereleri hariç tutar.
Temsili DRE ve Non-DRE EEG kayıtları (Şekil 2B) karşılaştırılabilir morfolojik özellikler ortaya koydu: Her iki grup da korunmuş arka plan ritimlerine karşı paroksismal/kesintili paternler sergileyen odak kökenli epileptiform deşarjlar (patikalar, keskin dalgalar, patika-dalaga kompleksleri) gösterdi. Bu morfolojik örtüşme; ilaç öyküsü, nöbet sıklığı ve nörogörüntüleme bulguları dahil olmak üzere klinik değişkenlerle kapsamlı farklılaştırma gerektirir.
EEG işleme MATLAB R2019a’da gerçekleştirildi ve sinyal ön işleme ile başladı: 4. dereceli faz-sıfır Butterworth filtreleriyle 1–80 Hz bant geçiş ve 50 Hz çentik filtreleme, ardından EEGLAB içinde ICLabel sınıflandırıcısıyla genişletilmiş Infomax bağımsız bileşen analizi (ICA) kullanılarak santril giderimi. 0.9’dan büyük veya eşit sınıflandırma olasılığına sahip beyin dışı bileşenler otomatik olarak belirlendi ve giderildi. Ardından, aynı filtre yapılandırması sinyalleri standart frekans bantlarına ayırmak için uygulandı: δ (1–4 Hz), θ (4–8 Hz), α (8–13 Hz), β (13–30 Hz) ve γ (30–80 Hz). Son segmentleme, 2 s örtüşmeli 4 s kayan pencere kullanarak 20.894 örnek üretti (DRE: 10.364; Non-DRE: 10.364).
3 Yöntemler
3.1 Nicel özellik çıkarması
Interiktal EEG sinyalleri yüksek karmaşıklık ve uzaysal-zamansal dinamikler sergiler ve üst üste binen patofizyolojik bilgileri içerir (). Şekil 2’de de görüldüğü gibi, dirençli epilepsi (DRE) ve dirençli olmayan epilepsi hastaları arasında yalnızca ince interiktal EEG farkları mevcuttur. Geleneksel tek değişkenli parametreler, bu sinyallerin altında yatan çok boyutlu nöral devir etkileşimlerini tam olarak yakalayamaz. Bu nedenle interiktal EEG aktivitesini kapsamlı biçimde karakterize etmek için zaman, spektrum ve doğrusal olmayan alanlar üzerinden özellikler çıkarıldı (–).
Zaman alanı özellikleri, epileptiform disşarjlarla (örneğin sivri dalgalar, keskin dalgalar) ilişkili nöronal excitabilite ve senkronizasyon değişikliklerini nicelendirir. Sinyal enerji seviyeleri ve elektrofizyolojik kararsızlığı yakalamak için amplitüd zarfının ortalaması ve standart sapması (SS) hesaplandı; artmış zarf SS’si, patolojik interiktal nöronal senkronizasyon tarafından yönlendirilen artırılmış sinyal değişkenliğini yansıtır. Yüksek mertebe istatistikleri (çarpıklık ve basıklık) amplitüd dağılımı özelliklerini karakterize etti: çarpıklık dağılım asimetrisini ve disşarj kutuplanma yanlılığını betimlerken, basıklık ağır kuyrukl dağılımları ve yükselmiş uç değer oluşumunu yansıtır.
Spektrum alanı özellikleri, nöral salınım dinamiklerini karakterize eder ve belirli nörofonksiyonel durumlarla eşleşen ayrık frekans bantları bulunur. Her bir EEG periyodu için güç spektrum yoğunluğu (PSD), Welch yöntemi kullanılarak (Hamming penceresi, MATLAB pwelch fonksiyonu, varsayılan ayarlar) tahmin edildi ve banta özgü güç, hedef frekans aralıkları üzerinde yamuk entegrasyon ile elde edildi. Anormal düşük frekanslı (δ/θ) güç, nöronal hasar veya bozulmuş inhibisyonla ilişkilendirilirken, yüksek frekanslı (β/γ) anormallikler epilepside patolojik ağ hypersenkronizasyonunu yansıtır. Tüm kanonik frekans bantları boyunca banta özgü PSD, özellikler olarak dahil edildi.
Doğrusal analizleri tamamlayan doğrusal olmayan özellikler, EEG sinyallerinin gizli dinamik özelliklerini yakalayarak katkı sağlar. Shannon entropisi, sinyal yeniden yapılandırma adımlarından ve buna bağlı tahmin yanlımlarından kaçınarak her bant geçişli alt bantın zaman alanı dalga şeklinin doğrudan hesaplanmasıyla sinyal karmaşıklığı niceliksel olarak değerlendirilmiştir. Üç özellik alanı, interiktal EEG’nin birbirini tamamlayan patofizyolojik özelliklerini yansıtır: zaman alanı özellikleri anormal deşarjlardan kaynaklanan enerji dalgalanmalarını ve dalga şekli bozulmalarını; spektral özellikler ağ sinirsel fonksiyonel yeniden örgütlenmeyi ve senkronizasyon-desenkronizasyon dengesini; entropi ölçümleri ise bilgi kuramsal açıdan sinyal karmaşıklığını ve determinizmi karakterize eder. Tablo 2, çıkarılan tüm özellikler için matematiksel ifadeleri, fizyolojik yorumları ve geçerli sinyal türlerini özetlemektedir.
Tablo 2
| Matematiksel ifade | Fizyolojik yorum | Geçerli sinyal |
|---|---|---|
| Bu süre içinde sinyalin genel voltaj ofsetini veya taban seviyesini yansıtır. | EEG genlik zarfı | |
| Sinyal içindeki bireysel örnek voltaj değerlerinin ortalamadan sapmasını temsil eder. | ham EEG genliği ham EEG genliği | |
| Sinyal genlik dağılımının simetrisinin istatistiksel özelliklerini tanımlar. | ham EEG genliği | |
| Sinyal genlik dağılımının tepe keskinliği ve kuyruk kalınlığı açısından istatistiksel özelliklerini tanımlar. | ham EEG genliği | |
| Farklı frekans bileşenleri boyunca enerji dağılımını niceliksel olarak değerlendirir. | δ, θ, α, β, γ | |
| Sinyallerin belirsizliğini ve karmaşıklığını niceliksel olarak değerlendirir. | δ, θ, α, β, γ, TÜM EEG |
DRE analizi için EEG özellikleri: ifadeler, tanımlar ve geçerli sinyaller.
xi örneklem noktasındaki gerilim değerini; S(f) güç spektral yoğunluk fonksiyonunun [f1, f2] frekans aralığı üzerindeki integralini; M toplam durum sayısını; pk ise bu durumun gerçekleşme olasılığını temsil eder.
3.2 ReliefF ile özellik seçimi
Bu çoklu alan özellik çıkarma işlemi, katılımcı başına 304 boyutlu bir özellik vektörü üretmiştir. Özellik gereksizliğini azaltmak ve ayırt edici aday biyomarker’ları belirlemek için ReliefF algoritmasını özellik sıralama ve seçimi için benimsemişiz. ReliefF, referans örneklemeleri yinelemeli olarak örnekleme yapar ve her bir referans ile en yakın aynı sınıf komşuları (isabetler, Hi) ve en yakın farklı sınıf komşuları (isabetsizlikler, Mi(C)) arasındaki değer farklarına dayanarak özellik başına ağırlıkları günceller. Ağırlık güncelleme kuralı aşağıda verilmiştir:
burada P(C) C sınıfının ön olasılığını, diff(·) ise A özelliğinin iki örneklem arasındaki normalize edilmiş farkını hesaplar. ReliefF, MATLAB ortamında uygulanmış ve en yakın komşu sayısı k = 5 olarak ayarlanmıştır. Özellikleri birbirinden bağımsız olarak değerlendiren tek değişkenli filtre yöntemlerinin aksine, ReliefF doğrusal olmayan özellik birbirine bağımlılıklarını yakalar ve DRE sınıflandırması için sinerjik ayırt edici aday biyomarker alt kümelerinin tespitini sağlar.
Bu çalışmada ReliefF ile özellik seçimi, çapraz doğrulamadan önce veri setinin tamamı üzerinde küresel olarak gerçekleştirilmiştir. Bu tasarım, popülasyon düzeyinde gruplar arası tutarlı farklar gösteren özelliklerin sağlam şekilde tespit edilmesini sağlar ve bu çalışmanın aday biyomarker keşfi amacına uygundur. Bu işlemin küresel dağılım bilgisinin sızmasına yol açtığını ve genelleştirilebilir klinik tahmin modellerinin geliştirilmesi için uygun olmadığını belirtmek isteriz.
3.3 Model geliştirme ve doğrulama
Yüksek boyutlu özelliklerle ve sınırlı klinik örneklerle olumlu performans göstermesi nedeniyle, DRE ve non-DRE’nin ikili sınıflandırılması için radyal temel fonksiyonu (RBF) çekirdeğine sahip bir destek vektör makinesi (SVM) benimsendi. SVM, sınıflandırma marjini maksimize ederek en iyi ayırıcı hiper düzlemi belirler ve kararlar yalnızca sınır destek vektörleriyle belirlenir; bu da örnekleme boyutuna duyarlılığı azaltır. RBF çekirdeği, giriş özelliklerini yüksek boyutlu bir özellik alanına dönüştürerek epilepsinin alt tiplerinin orijinal özellik alanında doğrusal olmayan ayrılabilirliğini çözer. Yapısal risk minimizasyonu ilkesine dayanan SVM, model karmaşıklığını genelikleştirme hatasını kontrol edecek şekilde sınırlar ve böylece küçük örneklemlikli biyomedikal çalışmalarında yaygın olan aşırı uyuma (overfitting) riskini azaltır (, ).
Hem ayırmalı (hold-out) doğrulama hem de tek örneklemlilikle tekrarlayan çapraz doğrulama (LOOCV), EEG-bölge düzeyinde gerçekleştirildi. Bu tasarım, çalışmanın biyomarker keşif amacıyla uyumludur: arka plan EEG aktivitesindeki bireyler arası değişkenlikleri (örneğin yaşa bağlı değişiklikler, temel beyinsel aktivite, kaydedilme koşulları) kontrol etmeyi ve çıkarılan prefrontal özelliklerin dirençli epilepsili ile ilişkili içsel bir patofizyolojik bilgi taşıyıp taşımadığını test etmek için istatistiksel gücü maksimize etmeyi sağlar. Bu örneklemlilik düzeyinde bölme stratejisi altında, aynı denek ait bölgeler eğitim ve test kümelerine dağıtılabilir. Bu tasarımın modelin hastalar arası genelikleştirme performansını doğrudan tahmin edemediğini belirtmekte fayda var. Bir tamamlayıcı olarak, tanımlanan özelliklerin popülasyon düzeyindeki grup düzeyindeki farkları doğrulamak için hastalar arası gruplar arası istatistiksel testler (Wilcoxon rank-sum testi) gerçekleştirildi.
Güçlü performans tahmini sağlamak amacıyla iki aşamalı bir doğrulama stratejisi benimsendi. İlk olarak, bağımsız bir tutulmuş veri setinde ön performans elde etmek için 7:3 eğitim-test oranına sahip bir bölünme kullanıldı. Belirli olarak bu 7:3 tutulmuş bölünme, grup etiketiyle katmanlı rastgele örnekleme yoluyla EEG segmenti düzeyinde bir kez gerçekleştirildi. Raporlanan performans metriklerinin standart sapması, eğitim seti üzerinde 5 katmanlı çapraz doğrulamadan hesaplandı ve tutulmuş test seti yalnızca özellik ayırt ediciliğinin nihai değerlendirmesi için kullanıldı. Rastgele veri bölümlendirmesi sonucu ortaya çıkan yanlıyı azaltmak amacıyla tek-out çapraz doğrulama (LOOCV) uygulandı. Her LOOCV döneminde bir örnek test için ayrıldı, model ise kalan tüm örnekler üzerinde eğitildi; nihai performans tüm dönemlerin ortalaması olarak hesaplandı. Bu yaklaşım veri kullanımını en üst düzeye çıkarır ve küçük kohort çalışmalarına istatistiksel olarak kararlı performans tahminleri sunar. Model performansı doğruluk, kesinlik, duyarlılık, F1 skoru ve alıcı işletme karakteristik eğrisi altındaki alan (AUC) kullanılarak nicelendirildi. Bu metrikler, genel sınıflandırma doğruluğu, DRE tespit kesinliği, tanısal duyarlılık, dengeli kesinlik-duyarlılık performansı ve epilepsi için klinik tanı öncelikleriyle uyumlu genel ayırt edici kapasiteyi birlikte yansıtır.
3.4 İstatistiksel ve korelasyon analizleri
Yaş, cinsiyet dağılımı, nöbet başlangıcı yaşı, hastalık süresi ve kullanılan antinöbet ilaçları sayısı dahil olmak üzere demografik veriler ortalama ± standart sapma olarak özetlendi. Normal dağılım gösterilen demografik özellikler, bağımsız örneklem t-testi kullanılarak DRE ve non-DRE grupları arasında karşılaştırıldı. Çok kanallı EEG özellikleri için gruplar arası nörofizyolojik karşılaştırmalarda Wilcoxon rank-sum testleri uygulandı ve çoklu karşılaştırmalar için düzeltme, anlamlılık eşiği p < 0,05 olacak şekilde Benjamini-Hochberg yanlış bulgu oranı (FDR) prosedürü ile sağlandı. Bu geleneksel istatistiksel sonuçlar, ardından gelen makine öğrenmesi sınıflandırma sonuçlarını tamamlayarak DRE tanısının doğruluğunu ve güvenilirliğini birlikte geçerli kılıyor. Epilepsinin çok faktörlü patofizyolojisi göz önüne alındığında, skalp EEG nöronal aktivitenin bir elektrofizyolojik yansısı olarak zengin nörofonksiyonel bilgi sağlarken, demografik değişkenler hastalığın klinik seyirini yansıtır. EEG zaman-sıklık özellikleri ile hastaların demografik özellikleri arasındaki ilişkinin incelenmesi, hastalık seyri ve ilaç direncini etkileyen faktörlerin belirlenmesi açısından kritik önem taşır. Skalp EEG özellikleri ile demografik değişkenler arasındaki doğrusal ilişki, Pearson korelasyon katsayısı kullanılarak nicellenmiştir.
4 Bulgular
Bu bölüm, DRE ve non-DRE grupları arasındaki klinik özelliklerin, interiktal EEG özelliklerinin, sınıflandırma modeli performansının ve korelasyon analizinin karşılaştırmalı sonuçlarını sunmaktadır.
4.1 DRE ve non-DRE arasındaki klinik ve EEG özelliği farklarının analizi
DRE ve Non-DRE hastaları arasında yaş, hastalık süresi, nöbet sıklığı ve önceki tedavi rejimleri dahil klinik faktörler karşılaştırıldı. Bulgular Tablo 1’de sunulmaktadır. Gruplar arasında başlangıç yaşında (p = 0.03), kullanılan ASM sayısında (P < 0.01) ve nöbet sıklığında (P < 0.01) istatistiksel olarak anlamlı farklar gözlemlendi. Belirli olarak, DRE hastalarında ortalamaya başlangıç yaşı Non-DRE hastalarına göre (9.32 ± 8.39 yıl karşılaştırıldığında 17.43 ± 13.23 yıl) anlamlı derecede daha gençti. DRE hastaları, Non-DRE hastalarına (1.38 ± 0.58) kıyasla daha fazla oral ASM’ye (2.29 ± 0.55) ihtiyaç duydu. Ayrıca, aylık ortalama nöbet sıklığı DRE grubunda (ayda 7.70 ± 10.14 nöbet) Non-DRE grubuna (ayda 0.11 ± 0.10 nöbet) göre anlamlı derecede yüksekti. Mevcut yaş, cinsiyet ve epilepsi süresi istatistiksel olarak anlamlılığa ulaşmasa da (P>0.05), DRE grubunda ortalamaya mevcut yaş bir miktar daha düşüktü (örneğin, bilateral alt gruplarda 15.43 ± 10.78 yıl, Non-DRE grubunda ise 21.08 ± 17.09 yıl). Hastalık süresi dağılımında gözlemlenen eğilimler, daha ileri mekanistik araştırmaları gerektiren potansiyel ilişkilere işaret etmektedir. Nöbet tipleri; AUTA, CMS, AA ve AUTS dahil olmak üzere birden fazla formu kapsamaktaydı. DRE grubu, SPAS ve MYO gibi tipleri içeren daha karmaşık nöbet yapısı sergiledi. Bu fenotipik heterojenlik, ilaç direnci mekanizmalarıyla potansiyel bir ilişkiye işaret etmektedir.
DRE’li ve DRE’siz hastalar arasındaki EEG özelliklerindeki farklar Şekil 3’te ayrıntılı olarak verilmiştir. Bu şekil, istatistiksel testlerin sonuçlarını göstermektedir; x ekseninde EEG elektrotları, y ekseninde ise karşılık gelen P-değerleri yer almaktadır. P-değerleri, gruplar arası farkların anlamlılığını belirtmekte olup (P < 0.05) istatiksel önem taşıdığını göstermektedir; daha düşük değerler genellikle daha büyük anlamlılığı ifade etmektedir. Analiz, birden fazla elektrotta (Fp1, Fp2, F7, F4, F8, T3, C3 ve C4 dahil olmak üzere) DRE’yi DRE’siz hastalardan etkili bir şekilde ayıran çeşitli EEG özellikleri ortaya koymuştur. Bu ayırt edici özellikler, genlik zarfının ortalaması ve standart sapması, frekans bantları (örneğin δ, θ, α) boyunca güç spektral yoğunluğu (PSD) ve hem tüm beyin EEG aktivitesi hem de belirli frekans bantları için Shannon entropisini kapsamaktadır. Bu bulgular, iki hasta grubu arasında sinyal genliği, spektral güç dağılımı ve karmaşıklık açısından belirgin örüntüler olduğunu göstermektedir. Bununla birlikte, genlik zarfının ortalaması ve standart sapması gibi özelliklerde Pz elektrotunda anlamlı bir fark gözlemlenmemiştir. Benzer şekilde, Fz elektrotunda genlik standart sapması ve çarpıklıkta anlamlı bir fark görülmemiştir. Buna karşılık, Cz elektrotunda genlik çarpıklığı, basıklık ve beta bant güç spektral yoğunluğunda anlamlı bir fark bulunmamıştır. Ayrıca, T5, F3, T4 ve T6 elektrotlarından kısmi özellikler de istatiksel olarak anlamlılığa ulaşamamıştır.
Şekil 3
4.2 DRE tanı modeli performansı ve çok alanlı EEG özellik analizi
DRE ile DRE olmayanlar arasındaki sınıflandırma modelinin performansını, özellikle klinik uygulamada DRE’yi doğru biçimde tanıma odaklı olarak değerlendirmek için tek-out-cross-validation (LOOCV) ve hold-out (ayırma) doğrulama stratejilerini kullandık. Bulgular Şekil 4’te sunulmuştur. Her iki doğrulama yöntemi altında model, yaklaşık %93 doğruluk, kesinlik, duyarlılık ve F1 skoru gibi karşılaştırılabilir medyan performans metrikleri elde etti. Bu tutarlılık, DRE’yi ayıran toplam EEG özelliklerinin kararlı biçimde öğrenildiğini göstermektedir. LOOCV, verinin daha kapsamlı kullanımından dolayı daha düşük metrik değişkenliği göstermiştir. Buna karşılık, hold-out doğrulama, rastgele test kümesi ayrıştırmasından kaynaklanan doğal olarak daha yüksek varyansı yansıtarak kesinlik ve duyarlılıkta hafif dalgalanmalar sergilemiştir. LOOCV için karışıklık matrisi (%93,61 doğruluk) DRE ve DRE olmayanlar için sırasıyla %93,6 doğruluk pozitif (TPR) ve negatif oranları ortaya koymuş, bu da yanlış tanı veya kaçırılan tanı yönünde anlamlı bir yanlılık olmadığını göstermiştir. Hold-out soncu (%93,95 doğruluk) biraz daha yüksek bir DRE TPR’sı (%94,8) ve daha düşük bir yanlış negatif oranı (%5,2) göstermiştir. Bu durum, söz konusu test kümesi ayrıştırmasındaki DRE örneklerinin belirli özellikleriyle ilişkili olabilir ancak içsel model yanlılığından ziyade rastlantısal bir sonucu temsil etmektedir. Her iki yöntem için ROC eğrileri ideal sol üst köşeye yaklaşmış, güçlü ayırt edici gücü işaret etmiştir. Test kümesi farklılıklarından dolayı hold-out eğrisi sınırda daha yüksek olsa da, genel eğilim modelin DRE ile DRE olmayanları ayırt etmedeki sağlam yeteneğini ve genelleştirme kararlılığını doğrulamıştır. Birlikte ele alındığında, model çeşitli özellikleri birleştirerek sıkı LOOCV çerçevesi altında kararlı bir DRE tanıma yeteneği göstermiştir (yüksek duyarlılık, dengeli yanlış sınıflandırma). Hold-out doğrulama ile gözlemlenen dalgalanmalar, rastgele veri ayrıştırmasının etkisini yansıtmaktadır. Her iki sonuç da modelin DRE’nin erken ve doğru biçimde tanımasında klinik kullanım potansiyelini desteklemektedir; bu da kaçırılan tanı ile yanlış tanı risklerini dengeler ve zamanında müdahaleyi destekler.
Şekil 4
Önerilen SVM sınıflandırıcının üstünlüğünü daha iyi doğrulamak ve model seçimini gerekçelendirmek için, üç yaygın kullanılan klasik sınıflandırıcı ile karşılaştırmalı bir deney gerçekleştirdik: naive Bayes, lojistik regresyon ve rastgele orman. Tüm sınıflandırıcılar, adil ve kontrollü bir karşılaştırma sağlamak amacıyla ReliefF algoritması tarafından seçilen aynı özellik kümesi üzerinde ve aynı LOOCV protokolü altında eğitildi ve değerlendirildi. Nicel sonuçlar Tablo 3’te özetlenmiştir.
Tablo 3
| Yöntem | Doğruluk (%) | Hassaslık (%) | Özgüllük (%) | F1-skoru | AUC |
|---|---|---|---|---|---|
| Naive Bayes | 67.44 ± 2.84 | 63.96 ± 17.48 | 70.87 ± 13.17 | 0.6484 ± 0.0952 | 0.7643 ± 0.0042 |
| Lojistik Regresyon | 50.40 ± 0.00 | 0.00 ± 0.00 | 100.00 ± 0.00 | N/A | 0.5000 ± 0.0000 |
| Rastgele Orman | 60.97 ± 0.56 | 49.06 ± 1.09 | 72.70 ± 0.63 | 0.5549 ± 0.0087 | 0.6770 ± 0.0054 |
| SVM (RBF) | 93.53±0.23 | 93.38±0.33 | 93.65±0.52 | 0.9347±0.0022 | 0.9830±0.0012 |
DRE tanımlaması için farklı sınıflandırıcıların performans karşılaştırması.
Tüm değerler ortalama ± standart sapma olarak sunulmuştur. N/A, hassaslığın sıfır olması nedeniyle F1-skorunun hesaplanamadığını gösterir. Kalın değerler, her değerlendirme metriği için karşılaştırılan tüm sınıflandırıcılar arasındaki en iyi performansı işaret eder.
Tabloda görüldüğü gibi, RBF-çekirdek SVM beş değerlendirme metriğinde tutarlı şekilde en iyi performansı göstermiş ve çapraz doğrulama katmanları arasında son derece küçük performans dalgalanmaları sergilemiştir. İyi dengelenmiş duyarlılık ve duyarlılık değerleri, SVM modelinin DRE ve DRE olmayan grupları arasında belirgin bir sınıflandırma yanlılığı göstermediğini daha da kesin olarak doğrulamaktadır. Buna karşılık, lojistik regresyon 0 duyarlılık ve rastgele tahmin etmeye eşdeğer bir AUC ile ciddi sınıflandırma yanlılığı yaşamış; doğrusal sınıflandırıcıların interiktal EEG özelliklerinde gizli olan doğrusal olmayan ayırt edici örüntüleri etkili biçimde yakalayamadığını ortaya koymuştur. Sağlam Bayes makul düzeyde bir genel performans elde etmiş ancak belirgin bir kararsızlıktan muzdarip olurken, rastgele orman sınıflandırma kapasitesi bakımından sınırlı bir genel performans sunmuştur. Bu karşılaştırmalı sonuçlar bir araya geldiğinde, DRE tanı görevi için doğrusal olmayan çekirdek SVM seçiminin mantıklı ve sağlam olduğunu göstermektedir.
Different EEG electrodes and feature domains’ DRE identification’e katkısını değerlendirmek için; zaman özellikleri, frekans alanı PSD’si, Shannon entropisi ve çoklu alan birleştirmeli (ALL) model (Şekil 5A) sistematik olarak analiz edildi ve bu analiz ReliefF algoritması, eşik analizi ve t-SNE görselleştirmesi ile desteklendi. Çoklu alan birleştirmeli özellikler, ön frontal (Fp1, Fp2) ve temporal (T3, T4) bölgeler gibi belirli elektrotlarda, bazı kanallarda 0.6’nın altında kalan zaman doğruluğu gibi tek alan özelliklerinden belirgin biçimde üstün çalıştı. Fp1 ve F7 gibi elektrotlarda tepe doğruluğu 0.7’yi aştı ve zaman, frekans ve entropi alanları arasında tamamlayıcı bilgi olduğunu ortaya koydu. Elektrot bazında tercih farkları gözlemlendi ve temporal T4 elektrodu PSD özellikleri için daha uygun bir yapı sergiledi. ReliefF algoritması (Şekil 5B), ön frontal elektrotlarda (Fp1, Fp2, F7) en yüksek katkıyı sağlayan özellikler olarak amplitüd zarfı istatistikleri, θ/β bandı PSD’si ve Alpha/Gamma entropisini belirledi. Oksipital elektrotlardan (O1, O2) gelen özellikler genellikle daha düşük ağırlıklara sahipti ve dolaylı biçimde bir “ön frontal baskınlık” hipotezini destekledi. Eşik-doğruluk eğrisi (Şekil 5C), 0.005–0.03 aralığında 0.85’in üzerinde stabil bir doğruluk gösterdi ve 0.035’in ötesinde 0.5’in altına düşerek özellik gereksizliğinin olumsuz etkisini doğruladı ve optimal bir eşik penceresi tanımladı. t-SNE görselleştirmesi (Şekil 5D), bazı yerel örtüşmelere rağmen DRE ve Non-DRE örneklerini ayıran belirgin bir kümelenme eğilimini ortaya koyarak özelliklerin ayırt edici gücünü doğrudan doğruladı. Özetle bu çalışma, DRE identification’inde çoklu alan EEG özelliklerinin sinerjik rolünü; özellik tamamlayıcılığından elektrot bazında özellik ağırlıklarına, eşik duyarlılığından özellik alanı ayrılabilirliğine kadar sistematik biçimde açıkladı.
Şekil 5
4.3 DRE ve Non-DRE’de EEG özelliklerinin klinik faktörlerle ilişkilendirilmesi
DRE’deki EEG-klinik korelasyonları aydınlatmak amacıyla, Şekil 5’de (Fp1, Fp2 ve F7) belirlenen kritik sınıflandırma elektrotlarından türetilen ana EEG özellikleri ile klinik ve demografik faktörler arasındaki ilişkileri daha detaylı inceledik. Bu özellikler (satır boyutu) genlik zarfının ortalaması ve standart sapması, genlik istatistikleri (SD, çarpıklık, basıklık), δ, θ, α, β ve γ frekans bantlarında PSD ve çok alanlı entropi ölçümlerini kapsamaktaydı. Faktörler (sütun boyutu) ise cinsiyet, güncel yaş, nöbet başlangıcı yaşı, hastalık süresi, nöbet tipleri sayısı, nöbet sıklığı ve lateralliği içermektedir. Sonuçlar Şekil 6’da görselleştirilmiştir (üst satır: Non-DRE; alt satır: DRE). Non-DRE grubunda EEG özellikleri cinsiyetle zayıf, ancak güncel yaş ve nöbet başlangıcı yaşıyla güçlü ilişkiler göstermiştir (ilgili sütunlarda çoğunlukla mavi tonlar; sıcak renkli bloklar içeren sütunlar). Başlangıcın yaşla ilişkişi özellikle belirgindir (örneğin Fp2 sütununda daha koyu tonlar) ve Non-DRE’deki EEG anormalliklerinin yaşa bağlı fizyolojik süreçlerle daha yakın ilişkili olduğunu düşündürmektedir. DRE grubu önemli ölçüde daha geniş örüntüler sergilemiştir. EEG özellikleri yalnızca yaş ve başlangıç yaşıyla değil, aynı zamanda hastalık süresi, nöbet tipleri sayısı, nöbet sıklığı ve laterallikle de güçlü ilişkiler göstermiştir (birden fazla sütunda sıcak renkli bloklar). Non-DRE’ye kıyasla, hastalık süresiyle ilişkişi DRE’de belirgin derecede daha güçlüdür (örneğin Fp1 hastalık süresi sütununda daha yoğun kırmızı tonlar), bu da EEG aktivitesinin DRE hastalık süreci tarafından uzun süreli olarak modüle edildiğini yansıtmaktadır. β/γ bant PSD’si ve çok alanlı entropi özellikleriyle ilgili ilişkiler özellikle yoğundur (örneğin Fp2 β-PSD ile nöbet sıklığını birbirine bağlayan bölge); bu da yüksek frekanslı salınımların ve entropi ölçümlerinin DRE’nin patolojik karmaşıklığını özgün biçimde karakterize edebileceğini ima etmektedir. İki grup arasında dikkat çeken bir ortaklık da gözlemlenmiştir: genlik zarfının ortalaması ve SD’si, genlik SD’si ve β/γ bant PSD’si gibi temel özellikler, temel klinik faktörlerle (güncel yaş, başlangıç yaşı ve
onset) her iki grupta da gözlemlendi. Bu bulgu, çoklu alan EEG özelliklerinin epilepsi klinik fenotipleri için kolektif temsil kapasitesini doğrularak, daha ileri araştırmalar için aday biyomarker’ların tespitine katkı sağlar.
Şekil 6
5 Tartışma
Eczilere dirençli epilepsi (EED)’nin erken tanısı, ilaç direncinin zamanında tanılanmasının terapötik rejimlerin optimize edilmesi açısından kritik olması nedeniyle hassas epilepsi yönetiminde kritik bir zorluk olmaya devam etmektedir. Epidemiyolojik veriler, epilepsi hastalarının yaklaşık %30–40’ının zamanla EED geliştiğini ve direnç mekanizmalarının nöral ağ yeniden organizasyonu ile kan-beyni bariyeri ilaç çıkış taşıyıcılarının aşırı ekspresyonu gibi patolojik süreçlerle yakından ilişkili olduğunu göstermektedir. Sağlık ekonomisi çalışmaları, EED hastalarına yüklenen ekonomik yükün nöbet sıklığının artması ve hastalığın süresinin uzamasıyla üstel olarak arttığını ortaya koymaktadır. Güncel klinik uygulamada ise resmi EED tanısı önemli ölçüde gecikmekte ve ortalama tanı süresi 14,2 yıla ulaşmakta; bunun büyük kısmı uzun süreli video-elektroensefalografi monitörizmine aşırı bağımlılıktan kaynaklanmaktadır. Bu bağlamda bu çalışma, EED tanısında çok boyutlu kuantitatif elektromanyetik beyin dalgaları çerçevesini makine öğrenmesiyle birleştirerek, ilaç direncinin daha verimli elektrofizyolojik değerlendirmesi için ilk düzeyde metodolojik destek sunmaktadır.
Bazal klinik özelliklerin karşılaştırmalı analizi, gruplar arasında anlamlı farklılıklar ortaya koydu. DRE hastalarında nöbet başlangıcı daha genç yaşta, daha çok antinevrotik ilaç maruziyeti ve kontrolsüz hastalarda göre belirgin derecede yüksek nöbet sıklığı gözlemlendi. Erken nöbet başlangıcı, anormal nöronal deşarjlara uzun süreli maruziyeti işaret eder; bu durum ağaz düzeyinde kademeli uyarlanma değişikliklerini tetikler ve ilaç direncinin patolojik temelini oluşturur, aynı zamanda erken beyin hasarı sonrasında farmakodirenç riskini de artırır. Birden fazla antinevrotik tedavi rejimine rağmen süregelen yüksek nöbet sıklığı, hem DRE’nin doğuştan gelen karmaşıklığını hem de dirençliliğini yansıtır ve tekrarlayan nöbetlerin beyin hasarını şiddetlendirdiği bir kısır döngünün varlığına dair destek sağlar. Güncel yaş, cinsiyet ve hastalık süresi gibi faktörler gruplar arasında istatistiksel olarak anlamlı çıkmamıştır; ancak DRE grubunda gözlemlenen hafif daha genç ortanca yaş ve farklı hastalık süresi dağılımlarına işaret eden eğilimler, daha ileri mekanistik araştırmalar için ipuçları sağlayabilir. Genel olarak, yaş aralıkları ve nöbet tipi bileşimleri iki grup arasında karşılaştırılabilir düzeydeydi; bu durum klinik bazal heterojenlikten kaynaklanan karıştırıcı etkileri azaltmaya yardımcı olur.
Elektroensefalografik özellik düzeyinde, amplitüd zarf metrikleri, güç spektral yoğunluğu ve Shannon entropisi, DRE ile DRE olmayan hastaları ayırt etmede ayırt edici kapasite göstermiş; en belirgin farkların prefrontal Fp1, Fp2 ve F7 derivasyonlarında gözlemlenmiştir. Bu prefrontal EEG anormallikleri, dirençli epilepside yaygın prefrontal ağ işlev bozukluğunu yansıtarak, belirli bir epilepsi alt tipine özgü bir odak işaretinden ziyade, dirençli durumun ortak ağ düzeyinde bir yansımasıdır. Bu yorum, dirençli epilepsi hastalarında prefrontal hipometabolizma ve bağlantısal bağlantı anormalliklerini gösteren önceki fMRI ve PET bulguları ile tutarlıdir. Bu prefrontal farklar, DRE’deki nöroplastik yeniden düzenlenme konusunda yerleşik patofizyolojik modellerle uyumludur. Yapısal nörogörüntüleme ve kafa içi elektrofizyolojik çalışmaların birleşen kanıtları, kronik yinelenen nöbetlerin prefrontal kortekste dendritik omur yeniden düzenlenmesi, gri madde yapısal değişiklikleri ve anormal sinaptik bağlantı dahil olmak üzere ilerleyici plastik yeniden formasyonu uyardığını göstermektedir. Dağıtık epileptojenik ağın bir merkez düğümü olarak, prefrontal kortekste patolojik plastiklik, nöbet devrelerinin kararlılığını ve yayılımını teşvik ederek, antiepsi ilaçlarına yanıt verme yeteneğini azaltmaktadır. Prefrontal elektrotlarda yükselmiş β/γ bant gücü, değişmiş sinyal karmaşıklığı ve artmış amplitüd zarf değişkenliği dahil gözlemlenen elektrofizyolojik örüntüler, bu plastik yeniden düzenlenmeden kaynaklanan yerel nöronal hipersenkroni ve devre bozukluğu ile tutarlıdır. Buna karşılık, Pz ve Fz gibi elektrotlardaki özellikler arasında anlamlı gruplar arası fark göstermemiş; bu, bu bölgelerin prefrontal merkezli direnç ilişkili ağlardaki daha düşük katılımıyla uyumlu olup, aynı zamanda kafa derisi elektroensefalografinin sınırlı uzaysal çözünürlüğü ile de sınırlanmış olabilir. Kafalık içi kayıtlar ve çok modallı görüntüleme ile birleştirilen daha ileri doğrulama gereklidir ().
Kohortumuzda, dirençli epilepsisi olan tüm hastalarda uzun süreli EEG izlemesinde doğrulanmış interiktal epileptiform deşarjlar izlenirken, ilaç dirençli olmayan gruptaki hastaların bir kısmında daha düşük sivri dalga sıklığı gözlemlendi. Çalışmanın analiz hedefleri sivri dalga biçimleri değil, sivri dalga içermeyen arka plan EEG segmentleri olduğundan, sivri dalgaların varlığı veya yokluğu, arka plan sinyalin nicelsel özelliklerinin hesaplanmasını doğrudan etkilemez.
Bu çalışmanın önemli bulgularından biri, birleştirilen çoklu alan elektroensefalogik özellikleriyle oluşturulan makine öğrenmesi modelinin başarılı sınıflandırma performansıydı. Tutulan-veri testi ve birini-out çapraz doğrulama ile değerlendirilen model, yüksek sınıflandırma doğruluğu ve gruplar arasında dengeli tanısal performans gösterdi; yanlış pozitif veya yanlış negatif tahminlere yönelik belirgin bir yanlılık görülmedi. Çoklu alan özellik birleştirme stratejisi, tek alan özellik kullanan modelleri tutarlı biçimde geride bıraktı; bu da farklı alanlar arasındaki tamamlayıcı bilginin DRE tanısındaki doğruluğu artırdığını gösteriyor. ReliefF özellik önemliliği analizi, prefrontal elektrodlardan amplitude envelope istatistikleri, β/γ bant güç spektral yoğunluğu ve entropi özelliklerini en ayırt edici değişkenler olarak belirledi; bu da dirençlilikteki prefrontal patolojik değişimlerin merkezî rolünü destekliyor ve makine öğrenmesinin aday elektrofizyolojik biyarker taramasındaki yararlılığını ortaya koyuyor (). Eşik analizi ve boyut indirgeme görselleştirmesiyle birleştirilen bu bulgular, çok boyutlu elektroensefalogik özelliklerin DRE tanısındaki uygulamasına dair ön kanıt sağlıyor ve güvenilir aday elektrofizyolojik biyarkerların daha ileri araştırılması için metodolojik bir temel oluşturuyor.
Elektroensefalografik özelliklerle klinik değişkenler arasındaki korelasyon analizi, iki grup arasında belirgin ilişki örüntüleri ortaya koydu. DRE olmayan hastalarda elektroensefografik özellikler çoğunlukla güncel yaş ve nöbet başlangıcı yaşı ile korele oldu; bu durum yaşa bağlı fizyolojik süreçlerin etkisiyle uyumludur. DRE hastalarında ise tersine, elektroensefografik özellikler yaş, başlangıcı yaşı, hastalık süresi, nöbet tipleri sayısı, nöbet sıklığı ve nöbet lateralitiği dahil olmak üzere çok sayıda klinik faktörle daha geniş associations gösterdi. Hastalık süresiyle özellikle güçlü korelasyon, DRE’nin altında yatan patolojik süreçlerin elektroensefografik aktiviteyi uzun dönemde modüle ettiğini yansıtmaktadır. DRE grubunda β/γ salınımları ve entropi özelliklerini içeren daha yoğun ilişkiler, bu ölçütlerin farmakorezistan epilepsinin patolojik karmaşıklığına karşı daha hassas olduğunu göstermektedir. Bu gruplar arası farklara rağmen, her iki grupta da temel bir ortaklık gözlemlendi: genlik zarfının ortalaması ve standart sapması ile δ/θ bant gücü gibi temel elektroensefografik özellikler, nöbet sıklığı gibi temel klinik işaretlerle tutarlı şekilde güçlü korelasyon gösterdi.
5.1 Sınırlamalar ve gelecekteki yönlendirmeler
Bu çalışmanın birkaç sınırı olduğunu belirtmek gerekir. İlk olarak, bu çalışma tek merkezli, nispeten küçük bir kohort ve retrospektif kesitsel tasarıma sahip olup, bulguların genellenmesini kısıtlar ve yalnızca ilişki kurmayı, nedensel çıkarım yapmayı değil olanak tanır. Katılımcılar arasında tabakalandırılmamış epilepsi alt tiplerinin dahil edilmesi klinik heterojenliğe de yol açabilir. İkinci olarak, analiz süreci aday biyomarker keşfi için tasarlanmıştır, klinik tahmin modeli doğrulaması için değil. Segment düzeyinde doğrulama ve küresel özellik seçimi, iyimser performans tahminlerine yol açabilir ve hastalar arası genellemeyi doğrudan yansıtamaz. Üçüncü olarak, bu çalışmada yalnızca deri üstü uyku EEG’si kullanılmıştır; bu da sınırlı uzaysal çözünürlüğe sahiptir ve MRI veya PET’den çoklu modallı çapraz doğrulama içermez. Uyku hâlindeki EEG’ye ve ayaktan bakım ortamlarına genelleme düzeyi henüz belirlenmemiştir. Gelecekteki çalışmalar, bulguları doğrulamak ve genişletmek amacıyla hastalar düzeyinde iç içe doğrulama içeren çoklu merkezli ileri çalışmalar yürütecek, çoklu modallı nörogörüntüleme verilerini entegre edecek ve uyku hâlindeki EEG kayıtlarını dahil edecektir.
6 Sonuç
Bu çalışma, farmakorezistansın erken belirlenmesini desteklemek amacıyla çoklu alan özellik analizi ve makine öğrenimi ile DRE için interiktal EEG aday biyomarker’larını araştırdı. 42 hastadan (21 DRE, 21 DRE olmayan) alınan 20.894 interiktal EEG segmenti analiz edildi; zaman alanı metrikleri, frekans alanı PSD ve doğrusal olmayan Shannon entropi özellikleri çıkarıldı. Klinik olarak DRE hastaları daha erken nöbet başlangıcı, daha fazla antinöbet ilaç maruziyeti ve daha yüksek nöbet sıklığı gösterdi. Elektrofizyolojik olarak, DRE grubunda prefrontal derivasyonlarda (Fp1, Fp2, F7) belirgin değişiklikler gözlemlendi; bunlar anormal genlik zarfı istatistikleri, yükselmiş θ/β bant gücü ve değişmiş Shannon entropisini içeriyordu. Çoklu alan özellik birleştirmesi içeren bir SVM modeli, LOOCV’de 93.61% ve tutma-validasyonunda 93.95% doğruluk sağlayarak tek alan özellik modellerini geride bıraktı. ReliefF analizi, prefrontal özellikleri DRE ayırımında en güçlü katkıda bulunanları belirledi. Korelasyon analizi, DRE grubundaki β/γ bant gücü ve entropi metriklerinin hastalık süresi ve nöbet sıklığı ile yakından ilişkili olduğunu, bu da EEG desenlerinin uzun süreli patolojik modülasyonunu yansıttığını gösterdi. Bu bulgular, erken DRE belirlenmesi için ön hazırlık niteliğinde metodolojik destek sunmakta, prefrontal elektrofizyolojik etkinin aday biyomarker potansiyelini işaret etmekte ve direnç mekanizmaları ile klinik müdahale stratejileri konusundaki sonraki araştırmalar için referans sağlamaktadır. Bu bulguların genelleyiciliği ve klinik çevirim değeri doğrulanması için daha büyük ölçekli çok merkezli çalışmalar gerekmektedir.
Açıklamalar
Veri erişilebilirliği açıklaması
Bu makalenin sonuçlarını destekleyen ham veriler, authors tarafından gereksiz bir şart koymadan sağlanacaktır.
Etik açıklaması
İnsanlar dahil edilen çalışmalar, Anhui Tıp Üniversitesi Etik Kurulu (Onay Numarası: PJ-YX2021019) ve 901. Hastalık Etik Kurulu (Onay Numarası: 202504008) tarafından onaylanmıştır. Çalışmalar, yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Çalışmaya katılım için katılımcıların yasal velileri/akrabaları tarafından yazılı bilgilendirilmiş onay verilmiştir.
Yazar katkıları
SX: Yazım – taslak, Yazım – inceleme & düzenleme. MX: Yazım – taslak, Yazım – inceleme & düzenleme. RZ: Yazım – taslak, Yazım – inceleme & düzenleme. LL: Veri yönetimi, Biçimsel analiz, Yazım – taslak, Yazım – inceleme & düzenleme. HK: Araştırma, Yazılım, Yazım – taslak, Yazım – inceleme & düzenleme. TJ: Yöntem, Gözetim, Yazım – taslak, Yazım – inceleme & düzenleme. CW: Kavramsal tasarım, Veri yönetimi, Biçimsel analiz, Finansman edinme, Araştırma, Yöntem, Proje yönetimi, Kaynaklar, Yazılım, Gözetim, Doğrulama, Görselleştirme, Yazım – taslak, Yazım – inceleme & düzenleme. TJ: Kavramsal tasarım, Veri yönetimi, Biçimsel analiz, Finansman edinme, Araştırma, Yöntem, Proje yönetimi, Kaynaklar, Yazılım, Gözetim, Doğrulama, Görselleştirme, Yazım – taslak, Yazım – inceleme & düzenleme.
Finansman
Yazar(lar), bu çalışma ve/veya yayını için finansal destek alındığını bildirmiştir. Bu çalışma, Anhui Eyalet Sağlık Bilimi ve Teknoloji Projesi (Hibe No: AHWJ2025Ab30058), Çin Zhejiang Eyalet Doğal Bilimler Vakfı Mindray Ortak Fonu (Hibe No: LMRY26H180012, LMRY26H180005) ve Zhejiang Teknik Ekonomi Enstitüsü Wuye Dijital Teknoloji Ar-Ge ve Beceri Aktarım Merkezi (Hibe No: X2022002) tarafından desteklenmiştir.
Tanıklıklar
Bu çalışmanın mümkün olmasını sağlayan tüm bireylere katkı ve katılımları için müteşekkiriz.
Çıkar çatışması
Yazar(lar), bu çalışmanın, olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü beyan eder.
Üretken yapay zeka bildirimi
Yazar(lar), bu metnin hazırlanmasında Üretken Yapay Zeka kullanılmadığını beyan eder.
Bu makaledeki şekillerle birlikte sağlanan alternatif metinler (alt text), Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup; yazarların mümkün olduğunca gözden geçirmesi de dahil olmak üzere doğruluğun sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka temsil etmez. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.
-
1.
Kwan, Arzimanoglou, Berg, Brodie, Allen, Hauser, Mathern et al. İlaç dirençli epilepsinin tanımı: ILAE’nin Terapötik Stratejiler Komisyonu’nun ad hoc görev gücünün konsensüs önerisi. Epilepsia. (2010) 51:1069–77. doi: 10.1111/j.1528-1167.2009.02397.x
-
2.
González, Osorio, Rein, Martínez, Fernández, Haba et al. İlaç dirençli epilepsi: tanım ve tedavi alternatifleri. Neurología (English Edition). (2015) 30:439–46. doi: 10.1016/j.nrleng.2014.04.002
-
3.
Williamson, Boon, Thadani, Darcey, Spencer, Spencer et al. Parietal lob epilepsisi: tanısal değerlendirmeler ve cerrahi sonuçlar. Ann Neurol. (1992) 31:193–201. doi: 10.1002/ana.410310210
-
4.
Makkawi S, Alshehri F S, Malaikah A A, Alghamdi A M, Al-Zahrani R M, Nahas R, ve diğerleri. Suudi Arabistan’ın bölge hastanesinde yetişkin epilepsi hastalarında etyolojik faktörlerin yaygınlığı: kesitsel bir çalışma. Cureus. (2023) 15:e33301. doi: 10.7759/cureus.33301
-
5.
Li Y, Tymchuk S, Barry J, Muppidi S, Le S. Cerrahi öncesi epilepside antikor yaygınlığı (APES). İlaç dirençli fokal epilepside. Epilepsia. (2021) 62:720–8. doi: 10.1111/epi.16820
-
6.
Travnicek V, Klimes P, Cimbalnik J, Halamek J, Jurak P, Brinkmann B, ve diğerleri. Bağıl entropi, epileptojenik bölgenin kolay kullanılabilir invaziv elektroensefalografik biyarkeridir. Epilepsia. (2023) 64:962–72. doi: 10.1111/epi.17539
-
7.
Yamaguchi T, Uehara T, Kadome T, Mukaino T, Shimogawa T, Mukae N, ve diğerleri. Medial temporal lobdaki gizli interiktal epileptiform deşarjların kafa derisi elektroensefalografik işaretleri. Int J Neural Syst. (2026) 36:2650002. doi: 10.1142/S0129065726500024
-
8.
Pegg E J, Taylor J R, Laiou P, Richardson M, Mohanraj R. İlaç dirençli ve iyi kontrol edilen idiyopatik jeneralize epilepside interiktal elektroensefalografik fonksiyonel ağ topolojisi. Epilepsia. (2021) 62:492–503. doi: 10.1111/epi.16811
-
9.
Achar D, Kotegar K, Karadhakrishnan K. Lateralizing seizure onset zone through Interictal Sleep Scalp EEG high-frequency oscillations. In: 2024 21st International Joint Conference on Computer Science and Software Engineering (JCSSE). Phuket: IEEE (2024). p. 448–454.
-
10.
Wagh N, Duque-Lopez A, Joseph B, Berry B, Jehi L, Crepeau D et al. The value of normal interictal EEGs in epilepsy diagnosis and treatment planning: a retrospective cohort study using population-level spectral power and connectivity patterns. medRxiv. (2025). p. 2025–01. doi: 10.1101/2025.01.03.25319963
-
11.
Mao L, Zheng G, Cai Y, Luo W, Zhang Y, Wu K et al. Machine learning-based algorithm of drug-resistant prediction in newly diagnosed patients with temporal lobe epilepsy. Clinical Neurophysiol. (2025) 171:154–63. doi: 10.1016/j.clinph.2025.01.008
-
12.
Ntolkeras G, Makaram N, Bernabei M, De La Vega A, Bolton J, Madsen J R et al. Interictal EEG source connectivity to localize the epileptogenic zone in patients with drug-resistant epilepsy: a machine learning approach. Epilepsia. (2024) 65:944–60. doi: 10.1111/epi.17898
-
13.
Nguyen M-H, Le M-A, Huynh Q, Vo Q-N. Automated detection of interictal epileptiform discharge using multi-domain features and gradient-based candidate selection. Biomed Signal Process Control. (2026) 122:110401. doi: 10.1016/j.bspc.2026.110401
-
14.
Bamdada S, Masoumian F, Oliveria L, Martellino C, Atanasio G, Tilennia D ve ark. Yavaş ve hızlı sodyum kanalı blokerlerinin dinlenme durumundaki EEG bulguları: Odaklanmış epilepside spektral ve karmaşıklık açıları. Epilepsy Behav. (2026). doi: 10.1016/j.yebeh.2026.111062
-
15.
Jehi L. Epileptojenik bölge: Kavram ve tanım. Epilepsy Curr. (2018) 18:12–6. doi: 10.5698/1535-7597.18.1.12
-
16.
Beniczky S, Trinka E, Wirrell E, Abdulla F, Al Baradie R, Alonso Vanegas M ve ark. Epileptik nöbetlerin güncellenmiş sınıflandırması: Uluslararası Epilepsiyle Mücadele Birliğinin durum bildirimi. Epilepsia. (2025) 66:1804–23. doi: 10.1111/epi.18338
-
17.
Delorme A, Makeig S. SEGLAB: Tek deneme EEG dinamiklerinin, bağımsız bileşen analizi dahil olmak üzere analiz edilmesi için açık kaynaklı bir araç kutusu. J Neurosci Methods. (2004) 134:9–21. doi: 10.1016/j.jneumeth.2003.10.009
-
18.
Zheng R, Feng Y, Wang T, Cao J, Wu D, Jiang T ve ark. West sendromu olan bebeklerde kafa derisi EEG işlevsel bağlantısı ve beyin ağı. Neural Netw. (2022) 153:76–86. doi: 10.1016/j.neunet.2022.05.029
-
19.
Smith SJ. Epilepsi hastalarının tanısi, sınıflandırması ve yönetiminde EEG. J Neurol Neurosurg Psychiat. (2005) 76:ii2–7. doi: 10.1136/jnnp.2005.069245
-
20.
Janca RJ, Jezdik PC, Mejlar R, Tomasek M, Worrell GA, Stead M ve ark. Interiktal epileptiform deşarjların sinyal zarf dağılımı modellemesi kullanılarak tespiti: epileptik ve epileptik olmayan intrakranyal kayıtlara uygulama. Brain Topogr. (2015) 28:172–83. doi: 10.1007/s10548-014-0379-1
-
21.
Harpale VK, Bairagi VK. Epileptik nöbetlerin tespiti için EEG sinyallerinin zaman ve frekans alanı analizi: bir derleme. In: 2016 International Conference on Microelectronics, Computing and Communications (MicroCom). Durgapur: IEEE (2016). s. 1–6.
-
22.
O’Toole JM, Boylan GB, Lloyd R, Goulding RM, Vanhatalo S, Stevenson NJ. Çoklu özellik yaklaşımı kullanarak çok ve aşırı prematür bebeklerin EEG’sindeki patlamaları tespit etme. Med Eng Phys. (2017) 45:42–50. doi: 10.1016/j.medengphy.2017.04.003
-
23.
Robnik-Šikonja M, Kononenko I. ReliefF ve RReliefF’in kuramsal ve ampirik analizi. Mach Learn. (2003) 53:23–69. doi: 10.1023/A:1025667309714
-
24.
Cristianini N, Shawe-Taylor J. Destek Vektör Makineleri’ne Giriş. Cambridge: Cambridge University Press. (2000).
-
25.
Schölkopf B, Smola AJ. Kernellerle Öğrenme: Destek Vektör Makineleri, Düzenlileme, Optimizasyon ve Ötesi. Cambridge: The MIT Press. (2001). doi: 10.7551/mitpress/4175.001.0001
-
26.
Klimes P, Nejedlý P, Hrčňová V, Cimbalník J, Travníček V, Pail M ve ark. 45 Hz altındaki interiktal stereo-elektroensefalografi bulguları, epileptojenik bölgenin doğru lokalizasyonu ve cerrahi sonrası sonuçların tahmini için yeterlidir. Epilepsia. (2024) 65:2935–45. doi: 10.1111/epi.18081
-
27.
Löscher W, Potschka H, Sisodiya SM, Vezzani A. Epilepside ilaç direnci: klinik etkiler, olası mekanizmalar ve yeni yenilikçi tedavi seçenekleri. Pharmacol Rev. (2020) 72:606–38. doi: 10.1124/pr.120.019539
-
28.
Ioannou P, Foster DL, Sander JW, Dupont S, Gil-Nagel A, Drogon O’Flaherty E ve ark. Odaklı nöbeti olan kişilerde epilepsinin yükü ve karşılanmayan ihtiyaçlar. Brain Behav. (2022) 12:e2589. doi: 10.1002/brb3.2589
-
29.
Tenerale RE, Cepeda MS, Kern DN, Novak GP. İlk tanıdan sonra bir yıl içinde ilaç dirençli epilepsi geliştiren bireylerin, nöbetlerin aynı dönemde kontrol edildiği kişilerle karşılaştırıldığında, epilepsi tanısından bir yıl önce daha yüksek ruhsal ve fiziksel hastalık yüküne sahip oldukları. Epilepsy Behav. (2021) 123:108243. doi: 10.1016/j.yebeh.2021.108243
-
30.
Partamian H, Jahromis S, Perry M, Hansen D, Bosemani M, Wang J ve ark. Interiktal biyomarkerların bir makine öğrenmesi çerçevesinde birleştirilmesiyle ilaç dirençli epilepside cerrahi sonucun tahmini. Sci Rep. (2026) 16:15166. doi: 10.1038/s41598-026-45177-x
-
31.
Li Z, Cao W, Sun H, Wang X, Li S, Ran X ve diğerleri. İlaç direnci epilepsinin öngörülmesi için potansiyel klinik ve biyokimyasal belirleyiciler: bir literatür taraması. Neurobiol Dis. (2022) 174:105872. doi: 10.1016/j.nbd.2022.105872
-
32.
Woldman W, Cook M J, Terry J R. Gelişen dinamik ağlar: Epilepside ilaç direncinin altında yatan bir mekanizma mı? Epilepsy Behav. (2019) 94:264–8. doi: 10.1016/j.yebeh.2019.03.003
-
33.
Gesche J, Beier C P. İdiopatik jeneralize epilepsilerde ilaç direnci: kanıtlar ve kavramlar. Epilepsia. (2022) 63:3007–19. doi: 10.1111/epi.17410
-
34.
Mohammadzadeh P, Nazarbaghi S. Epilepsi hastalarında ilaç direnci epilepsinin yaygınlığı ve buna eşlik eden faktörler. Clin Neurol Neurosurg. (2022) 213:107086. doi: 10.1016/j.clineuro.2021.107086
-
35.
Islam T, Basak M, Islam R, Roy. Gürültülü EEG sinyallerinden derin öğrenme modelleri kullanarak popülasyona özgü epilepsi tespiti. Heliyon. (2023) 9:e22208. doi: 10.1016/j.heliyon.2023.e22208
-
36.
Bu J, Yin H, Ren N, Zhu H, Xu H, Zhang R ve diğerleri. İlaç direnci epilepside default mode ağındaki yapısal ve fonksiyonel değişimler. Epilepsy Behav. (2024) 151:109593. doi: 10.1016/j.yebeh.2023.109593
-
37.
LuJLiALiKYuRHuYZhangRet ve ark. Epilepsi hastalarında β-γ faz-genlik eşleşmesine dayalı fonksiyonel beyin ağı çalışması. IEEE J Biomed Health Informat. (2024). doi: 10.1109/JBHI.2024.3379194
-
38.
VaratharajahYBerryBJosephBBalzekasIPal AttiaTKremenV ve ark. İlaça dirençli fokal epilepsi hastalarının görsel olarak gözden geçirilen normal EEG’lerindeki elektrofizyolojik anormalliklerin karakterizasyonu. Brain Commun. (2021) 3:fcab102. doi: 10.1093/braincomms/fcab102
-
39.
ChenX ve ark. Nöroelektrofizyolojik beyin ağı topolojisi üzerinden ilaça dirençli epilepsi için epileptojenik bölgenin belirlenmesi. Front Neurosci. (2026) 20:1781032. doi: 10.3389/fnins.2026.1781032
Özet
Anhtar Kelimeler
ilaça dirençli epilepsi, interiktal EEG, makine öğrenmesi ile tanı, çok alanlı özellik birleştirmesi, prefrontal aday biyomarkerlar
Başvuru
Xu S, Xu M, Zheng R, Liu L, Ke H, Jiang T, Wang C ve Jiang T (2026) Early detection of drug-resistant epilepsy via multi-domain EEG fusion with prefrontal candidate biomarkers. Front. Neurol. 17:1991746. doi: 10.3389/fneur.2026.1991746
Başvuru Tarihi
08 Eylül 2026
Düzeltilme
13 Ekim 2026
Kabul Tarihi
19 Ekim 2026
Yayın Tarihi
13 Kasım 2026
17 – 2026
Daniel San-juan, Manuel Velasco Suárez, Mexico Ulusal Nöroloji ve NöroCerrahi Enstitüsü
Rui Feng, Fudan Üniversitesi, Çin
Yousif A. Saadoon, Misan Üniversitesi, Irak
© 2026 Xu, Xu, Zheng, Liu, Ke, Jiang, Wang ve Jiang.
Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık bir makaledir. Orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının atıf yapılması ve bu dergideki orijinal yayının, kabul edilen akademik uygulamalara uygun olarak belirtilmesi şartıyla, diğer platformlarda kullanım, dağıtım veya çoğaltma mümkündür. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltmaya izin verilmez.
*İletişim: Chunlin Wang, sprlin1105@126.com; Tao Jiang, jiangtao@ahmu.edu.cn


Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve mutlaka bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.