Dynamika interiktálních výbojů dle Markovových modelů u fokální kortikální dysplazie

Abstract

Iritační zóna je rozsáhlou součástí epileptické sítě skládající se z podsítí – klastrů, jež jsou schopné generování interiktálních epileptoformních výbojů (IED). Předpokládá se, že geneze specifické elektrografické aktivity, interiktálních epileptoformních výbojů, může mít rozdílný charakter v závislosti na typu fokální kortikální dysplazie (FCD), která je příčinou fokální epilepsie. Cílem práce bylo na základě popisu výskytu a dynamiky IED v předoperačním iEEG odlišit typy FCD (I a II). V záznamech iEEG 44 pacientů trpících farmakorezistentní epilepsií na podkladě FCD byly dle dříve publikovaných metod detekovány IED a identifikovány klastry iritační zóny. Dynamické vazby mezi klastry byly popsány Markovovým řetězcem a parametrizovány pomocí síťových metrik. Odlišnosti mezi FCD typem I a II byly využity k tvorbě prediktivního modelu. Výsledky prokázaly rozdílnost v charakteru sítí mezi FCD typu I a II (p = 0.0091). Parametrizace iEEG umožnila sestavení prediktivního modelu schopného odlišení typů FCD se 71% úspěšností v křížové validaci. Navržená metodika může napomoci k předoperační predikci histologického typu FCD, což může přispět ke zlepšení diagnostiky a přesnějšímu plánování epileptochirurgického výkonu.

The irritative zone is a large component of epileptic networks which consist of subregions – clusters that can produce interictal epileptiform discharges (IEDs). Depending on the type of focal cortical dysplasia (FCD) that causes focal epilepsy, it is assumed that the origin of particular electrophysical activity may be of a different character. The goal of the study was to distinguish between the FCD categories (type I and II) based on the incidence and the dynamics of IEDs in iEEG. In the iEEG recordings of 44 patients who suffer from FCD-based drug-resistant epilepsy, IEDs were detected and irritative zone clusters were identified by applying previously published methods. Dynamic linkages between clusters were characterized using a Markov chain, and network metrics were employed to parametrize them. A predictive model was built based on the differences between FCD types I and II. The results demonstrated a difference in the nature of the networks between FCD type I and II (p = 0.0091). The parametrization of iEEG allowed the development of a predictive model capable of distinguishing FCD types with a crossvalidation success rate of 71 %. The proposed methodology can contribute to the preoperative prediction of FCD histological type, resulting in improved diagnoses and more precise epileptosurgery planning.