On the clinical acceptance of EEG seizure prediction methodologies

Abstract

Sensivelmente um terço dos doentes epiléticos são incapazes de atingir o controlo das crises através da administração de medicamentos antiepiléticos. Em situações em que as crises epiléticas são impossíveis de controlar, a previsão de crises desempenha um papel fundamental no planeamento clínico e terapêutico, fornecendo novas opções de tratamentos, como dispositivos de alerta ou de intervenção. Estes sistemas têm a potencialidade de melhorar a qualidade de vida dos doentes suscetíveis à ocorrência súbita de crises. No entanto, a falta de interpretabilidade e explicabilidade das abordagens utilizadas nesta área constitui um obstáculo na aplicação clínica das metodologias de previsão e sistemas de intervenção desenvolvidos. Os métodos atualmente utilizados na literatura são maioritariamente baseados em sistemas complexos, difíceis de serem interpretados e de garantir a confiança dos clínicos. O presente trabalho teve como objetivo o desenvolvimento de metodologias capazes de prever crises epiléticas ao mesmo tempo que garantem a confiança dos clínicos, cientistas de dados e doentes. Foi desenvolvido um algoritmo para a previsão de crises epiléticas, considerando 40 doentes da base de dados EPILEPSIAE, resistentes à medicação antiepilética. Através da metodologia proposta, foram obtidos resultados de 0,34 ± 0,35 para a sensibilidade e de 1,78 ± 1,95 para o FPR/h. Sendo que 40% dos modelos desenvolvidos apresentaram uma performance estatisticamente significativa. Posteriormente, diferentes estratégias de explicabilidade foram aplicadas de forma a aumentar a confiança nas decisões do modelo. As explicações elaboradas basearam-se nas cinco lições extraídas de um trabalho previamente desenvolvido neste laboratório. As curvas de regularização ao longo do tempo foram analisadas para todos os doentes, e comportamentos típicos do modelo foram observados um número de vezes estatisticamente significativo. Foi ainda avaliado o impacto de cada uma das bandas espectrais sobre a capacidade de previsão do modelo, o que permitiu concluir que, em cenários específicos, diferentes conjuntos de características podem provocar comportamentos completamente distintos no classificador. Com este estudo, foi possível concluir que para algoritmos de previsão de crises epiléticas, a explicabilidade não deve simplesmente explicar as decisões do classificador, é também necessário melhorar os modelos desenvolvidos, rever os pressupostos e elaborar uma formulação mais completa do problema, de forma a garantir uma maior confiança sobre as metodologias desenvolvidas.

Almost one-third of epileptic patients fail to achieve seizure control through antiepileptic drug administration. In the scarcity of completely controlling a patient's epilepsy, seizure prediction plays a significant role in clinical management and treatment, providing new therapeutic options such as warning or intervention devices. These systems would attempt to improve the quality of life of patients who are susceptible to the sudden occurrence of seizures.However, the lack of interpretability and explainability of the seizure prediction approaches constitutes an obstacle to the clinical applicability of the proposed prediction methodologies and intervention devices. The current state-of-the-art methods are mainly based on complex models that are difficult to trust by domain experts. The present work aimed to explore methodologies capable of predicting epileptic seizures in ways that guarantee trust to data scientists, clinicians, and patients. Considering 40 drug-resistant epilepsy patients from the EPILEPSIAE database, a patient-specific seizure prediction algorithm was developed. The proposed methodology achieved 0.34 ± 0.35 for sensitivity and 1.78 ± 1.95 for FPR/h, where 40% of patient models performed above chance. Afterwards, different explaining strategies were employed to increase trust in the models' decisions. These explanations were based on five lessons extracted from a prior work developed by the local research team. The patients' time plots were inspected, and typical model behaviors were found in a statistically significant number. The impact of each classical EEG spectral band over the model prediction was also evaluated, and it was concluded that, in specific scenarios, different sets of features might produce an entirely distinct behavior in the classifiers' output.With this study, it was possible to conclude that for seizure prediction algorithms, explainability should not simply explain the model's decision. It is necessary to improve the developed models, review used assumptions, and create a completer problem formulation to gain trust.