Epilepsiediagnose: Anfälle frühzeitig erkennen

Foto: dpa

Epilepsiepatienten leiden unter plötzlichen Krampfanfällen, die durch die gleichzeitige Entladung einer großen Anzahl von Nervenzellen im Gehirn ausgelöst werden. Jeder Anfall trifft sie wie aus heiterem Himmel – wenn sich ein Gewitter neuronaler Aktivität im Gehirn zusammenbraut, bekommen sie davon nichts mit. Wissenschaftler um Ralph Meier und Ad Aertsen am Bernstein-Zentrum für Computational Neuroscience der Universität Freiburg haben eine Methode entwickelt, mit der die Gehirnströme der Patienten gemessen und gleichzeitig automatisiert ausgewertet werden können. Da Veränderungen neuronaler Aktivität meist einige Sekunden vor den ersten äußeren Anzeichen des Anfalls auftreten, könnten Patienten und Klinikpersonal mit dieser Methode bei einem nahenden Anfall vorgewarnt werden. In Zukunft hofft man außerdem auf die Entwicklung von Implantaten, die gezielt Gehirnströme beeinflussen, um einem beginnenden Anfall entgegenzuwirken. Für solche Systeme ist die rechtzeitige Erkennung des nahenden Anfalls eine Voraussetzung.

Grundlage des Verfahrens ist die Elektroenzephalografie (EEG). Mithilfe von auf der Kopfhaut angebrachten Elektroden werden Spannungsveränderungen des Gehirns durch die Schädeldecke gemessen. Bei einem epileptischen Anfall kommt es – je nach Anfallstyp – zu verstärkten Entladungen in bestimmten Frequenzbereichen, oder es treten ungewöhnliche Entladungsmuster auf. Auch im gesunden EEG treten Schwingungen in verschiedenen Frequenzbereichen auf, die jeweils bestimmte Zustände des Gehirns, wie Schlaf, Dösen oder Erregung, widerspiegeln. Diese gesunden Schwingungsmuster mittels mathematischer Algorithmen von den epileptischen Entladungen verlässlich zu unterscheiden, ist das Ziel der Freiburger Wissenschaftler. Bisher gab es schon einige Ansätze, über mathematische Algorithmen die Auswertung des EEG zu automatisieren, doch nicht jedes Verfahren eignet sich für jede Form von Anfällen.

Um eine optimale Erfassung aller Anfallstypen zu gewährleisten, nutzten die Wissenschaftler daher verschiedene mathematische Auswertungsverfahren parallel. An etwa 1 400 Stunden Langzeit-EEG mit insgesamt 91 verifizierten Anfällen wendeten sie das Verfahren an, um dessen Leistungsfähigkeit zu überprüfen. Fast alle Anfälle wurden dabei rechtzeitig erkannt. Nur etwa einmal alle zwei Stunden produzierte das System eine Fehlankündigung eines Anfalls, der dann nicht stattfand. Damit zeigt das Verfahren eine bessere Erkennungsgenauigkeit als bisherige Methoden. Zusätzlich konnte das System verschiedene Anfallverläufe voneinander unterscheiden und trägt damit zur Epilepsiediagnose bei. EB

Informationen: Dr. Ralph Meier, Bernstein Center for Computational Neuroscience, Albert-Ludwigs-Universität Freiburg, Schänzlestraße 1, 79104 Freiburg, E-Mail: [e-mail]

Literatur
Meier R, Dittrich H, Schulze-Bonhage A, Aertsen A: Detecting epileptic seizures in
long-term human EEG: A new approach to automatic online and real-time detection and classification of polymorphic seizure patterns. Journal of Clinical Neurophysiology 2008.