Statistické srovnání shody standardního klinického hodnocení Video EEG a experimentálního HDEEG

Abstract

Jednou z diagnostických metod pacientů s epilepsií, způsobenou fokální kortikální dysplazií, je elektroencefalografie (EEG). Je užitečná zejména k určení rozsahu resekce léze, díky které lze epilepsii vyléčit. EEG zahrnuje umístění elektrod na povrch hlavy a následné měření elektrického potenciálu. V klinické praxi se používá Video EEG. Pokrytí elektrod však nemusí vždy dostačovat, proto jsou někteří pacienti odesíláni na dodatečné vyšetření High Density EEG s větším pokrytím. Klinici však data o průběhu vyšetření zapisují nestrukturovaně, se syntaktickými chybami a dlouhými větami, což způsobuje problém v dalším zpracování těchto dat. Cílem této práce je porovnat data z experimentálního HDEEG s poskytnutým zápisem z klinického VEEG provedeném ve Fakultní nemocnici v Motole. Nejprve byla data manuálně tříděna. Následné zpracování a porovnání probíhalo v jazyce Python. Dílčí částí je provedení extrakce VEEG dat pomocí jazykového modelu GPT a srovnání těchto dat s manuálně extrahovanými. To má za cíl zjistit, zdali je možné z poskytnutého klinického popisu získávat informace o lokalizaci záchvatů strukturovaněji, a tím šetřit čas, jenž by byl věnován manuální extrakci.

One of the diagnostic methods for patients with focal cortical dysplasia is electroencephalography (EEG). EEG involves placing electrodes on the surface of the head and subsequently measuring the electrical potential. In clinical practice, Video EEG is used. However, the electrode coverage may not always be sufficient, so there is additional High Density EEG examinations with broader coverage. Nevertheless, clinicians often record the examination data in an unstructured manner, causing an issue in further processing this data. The aim of this work is to compare the data from experimental HDEEG with the provided record from the clinical VEEG conducted at the Motol University Hospital. Initially, the data was manually sorted. Subsequent processing and comparison were carried out using the Python language. A partial aspect involves performing the extraction of VEEG data using the GPT language model and comparing this data with manually extracted data. The aim is to determine whether it’s possible to extract information about the localization of seizures more systematically from the clinical description, thus saving time that would otherwise be dedicated to manual extraction.