癫痫发作和其他类似癫痫样的脑活动模式会损害大脑，并导致住院死亡，特别是当发作时间延长时。然而，有资格解读脑电(EEG)数据的专家很少。以前自动化这项任务的尝试受到小样本或标记不充分的样本的限制，并且没有令人信服地证明可推广的专家级表现。目前迫切需要一种自动化方法，以便以专家级别的可靠性对癫痫发作和其他类似癫痫发作的事件进行分类。近日，一项发表在Neurology上的研究为了开发和验证一种计算机算法，该算法在识别癫痫和癫痫样事件方面与专家的可靠性和准确性相匹配，称为脑电的“发作-发作间期-损伤-连续”(IIIC)模式，包括癫痫发作(SZ)、偏侧和全身性周期放电(LPD、GPD)、偏侧和广泛性节律三角洲活动(LRDA、GRDA)，以及这些模式与非IIIC模式的区别。

方法：研究使用2711例有IIIC事件和无IIIC事件的患者的6095个头皮脑电，训练一个深层神经网络SPaRCNet来进行IIIC事件分类。从50,697个脑电片段中产生了独立的训练和测试数据集，由20名接受过团契培训的神经生理学家独立注释。研究评估了SPaRCNet在识别IIIC事件方面的表现是否达到或超过了接受过团契培训的神经生理学家的灵敏度、特异性、精确度和校准。通过校准指数和6个模式类别的专家操作点低于模型的接收器操作特征曲线(ROC)和精确回忆曲线(PRC)的百分比来评估统计性能。

结果：SPaRCNet在基于校正和判别度量对IIIC事件进行分类方面与大多数专家一致或超过大多数专家。对于SZ、LPD、GPD、LRDA、GRDA和其他类别，SPaRCNet超过以下20位专家的百分比-ROC：45%、20%、50%、75%、55%、40%；PRC：50%、35%、50%、90%、70%、45%；校准：95%、100%、95%、100%、100%、100%、80%。

讨论：SPaRCNet是第一个在检测癫痫发作和具有代表性的脑电样本中的其他癫痫样事件方面与专家性能相匹配的算法。随着进一步的发展，SPaRCNet可能因此成为加速审查脑电地形图的宝贵工具。

证据分类：这项研究提供了II类证据，证明在接受脑电监测的癫痫或危重疾病患者中，SPaRCNet可以区分(IIIC)模式和非IIIC事件以及专家神经生理学家。

文献来源：Jing J, Ge W, Hong S, et al. Development of Expert-Level Classification of Seizures and Rhythmic and Periodic Patterns During EEG Interpretation [published online ahead of print, 2023 Mar 6]. Neurology. 2023;10.1212/WNL.0000000000207127. doi:10.1212/WNL.0000000000207127