Zoekstrategie


Lees meer

Voor deze uitgangsvraag is een systematisch literatuuronderzoek verricht in de databases Medline (PubMed) en The Cochrane Library. Er werd gezocht met zoektermen waaronder epilepsy, detection, prediction, monitoring, alarm, alarming, automatic en ambulatory gecombineerd met accelerometry, actigraphy, electrodermal activity, heart rate, heart rhythm en sound. Er werd gezocht in Engelstalige en Nederlandstalige publicaties, er waren geen beperkingen met betrekking tot het jaar van publiceren. De literatuurzoekactie leverde 574 publicaties op, bestaande uit systematische reviews, randomised controlled trials, case control- en cohortstudies en 150 reviewartikelen. Op basis van titel en abstract vond een voorselectie plaats van studies die aansloten bij de zoekvraag en sensitiviteit en fout-positieve alarmen als uitkomstmaat hadden. Hiervan werd de volledige tekst geraadpleegd. Op basis hiervan werden dertien studies definitief geselecteerd, de meerderheid van de studies betrof aanvalsdetectie middels accelerometrie, andere studies betroffen aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit), elektromyografie, geluid of een combinatie van modaliteiten.

Om meer inzicht te krijgen in de opzet van de studies en het niveau van bewijs wordt naast de beoordeling volgens GRADE gebruik gemaakt van de standaard die Beniczky en Ryvlin voorstellen voor het testen en klinisch valideren van methoden voor aanvalsdetectie (Beniczky & Ryvlin, 2018).

Afhankelijk van vier belangrijke kenmerken van de studieopzet; te weten de informatie over de personen die deelnemen, de manier van registreren, de manier van analyse en alarmeren en de referentiestandaard, kunnen studies geclassificeerd worden in vijf verschillende niveaus (0-4), waarbij een ‘niveau 4’ studie de grootste bewijskracht heeft. Ook wordt richting gegeven aan welke karakteristieken van een aanvalsdetectie besproken dienen te worden bij de analyse (o.a. de leeftijdskenmerken van de patiëntengroep, de sensitiviteit, fout-positieven frequentie en gemiste aanvallen van de aanvalsmethode, het aantal (tevreden) gebruikers, etc.

Samenvatting van de literatuur


Lees meer

Aanvalsdetectie gebaseerd op accelerometrie

Beschrijving studies

Er zijn zeven studies gevonden die aanvalsdetectie op basis van accelerometrie hebben onderzocht. Alle studies zijn observationeel onderzoek. Drie van de zeven studies hebben een patiëntenaantal van minder dan tien. Deze worden volgens de classificatie van Benickzy&Ryvlin (Benickzy&Ryvlin, 2018) als niveau 1 geclassificeerd. Deze drie studies zijn niet meegenomen in de resultaten (Luca et al., 2014; Van de Vel et al., 2013; Van de Vel et al., 2014).

De overgebleven vier studies onderzochten patiënten (zowel kinderen als volwassenen) met epilepsie opgenomen op een epilepsie monitoring unit dan wel een langverblijfafdeling in een epilepsiecentrum, met aanvallen met motorische verschijnselen, met (volgens de oude terminologie) primair of secundair gegeneraliseerd tonisch-clonische aanvallen, tonische, clonische of myoclonische aanvallen (Beniczky et al., 2013; Kramer et al., 2011; Nijsen et al., 2005; Velez et al., 2016). De interventie in deze vier studies betreft een band met een accelerometer om een van de ledematen van de patiënt (EpiCare free in één studie (Beniczky et al., 2013), niet opgegeven type band in de andere drie studies). Bij twee van de vier studies was er sprake van real time analyse en alarmering (Benickzy et al., 2013; Kramer et al., 2011), bij de overige twee werden de data achteraf geanalyseerd (Nijsen et al., 2005; Velez et al.,2016).

Resultaten

Sensitiviteit

De sensitiviteit van het detecteren van epileptische aanvallen (aantal goed afgegeven alarmen t.o.v. alle aanvallen volgens de gouden standaard van het onderzoek) was in drie van de studies hoog. De gemiddelde sensitiviteit per patiënt was 91% (95%BI 80-100%) in de studie van Benickzy (Benickzy et al., 2013). In de studie van Kramer (Kramer et al., 2011) werden 20 van de 22 aanvallen gedetecteerd, dit is 91%. Alle aanvallen die langer dan 30 seconden duurden werden, gedetecteerd. In de studie van Velez (Velez et al., 2016) werden van de 13 aanvallen er 12 gedetecteerd, dit is 92,3%

In de studie van Nijsen (Nijsen et al., 2005) bleken er 29 maal zo veel aanvallen te zijn dan op voorhand werd verwacht, en zevenmaal meer aanvallen dan door de verzorgers werden gezien. 48% van de aanvallen werd gedetecteerd middels de accelerometer, met name de complex partiële insulten zonder motorische verschijnselen werden niet gedetecteerd.

Frequentie fout-positieve alarmen

De frequentie fout-positieve alarmen was 0,2 per dag in de studie van Benickzy (Benickzy et al., 2013). In de studie van Velez (Velez et al., 2016) waren er 81 fout-positieve meldingen, onduidelijk in hoeveel dagen registratie. 51,8% van deze fout-positieve meldingen werd door de patiënten geannuleerd. Slechts één van de fout-positieve meldingen gebeurde ’s nachts. In de studie van Kramer (Kramer et al., 2011) waren er 8 fout-positieve meldingen in 1692 uur registreren, dit is minder dan 0,005/uur.

Aanvalsdetectie gebaseerd op oppervlakte EMG

Er werd één prospectieve observationele studie gevonden die aanvalsdetectie gebaseerd op oppervlakte EMG onderzocht (Szabó et al., 2015). De registratie in deze studie betreft oppervlakte EMG-elektroden op de arm (biceps, triceps). Er werden 33 patiënten met refractaire epilepsie geïncludeerd. Het onderzoek werd offline uitgevoerd waarbij de EMG-detector middels een gepatenteerd algoritme moest alarmeren binnen 60 seconden na de tonisch-clonische activiteit op een video-EEG. Voor de registratie is een rust en maximale aanspanning nodig om het algoritme in te stellen. De sensitiviteit van het detecteren van gegeneraliseerd tonisch-clonische aanvallen was 95% (95%BI 76-100%). Slechts één van de 21 aanvallen werd niet gedetecteerd, vermoedelijk omdat de arm van de persoon waaraan de detector zat, klem zat tussen het bed. Andere type aanvallen (myoclonische, tonische, absence, focale aanvallen en niet-epileptische aanvallen) en dagelijks leven activiteiten werden niet gedetecteerd. Er was slechts één fout-positief alarm in 1399 uur registreren.

Aanvalsdetectie gebaseerd op gecombineerde modaliteiten

Er werden twee observationele studies gevonden van aanvalsdetectie gebaseerd op gecombineerde modaliteiten (Onorati et al., 2017; Conradsen et al., 2012). In de studie van Onorati (Onorati et al., 2017) werd het gebruik van een polsband onderzocht die gecombineerde signalen van accelerometers en elektrodermale activiteit gebruikt om tonisch-clonische aanvallen te detecteren bij 69 kinderen en volwassenen met epilepsie (E3 of E4 (Empatica) of iCalm (MIT Media Lab)). De data werden gebruikt om nieuwe algoritmen te testen gebruikmakend van accelerometrie en elektrodermale activiteit parameters. Een deel van de data wordt gebruikt voor het trainen en een deel voor het testen hiervan. De sensitiviteit van het meest efficiënte algoritme was 94,55% (95%BI 85,15 - 98,13%) in het aantonen van tonisch-clonische aanvallen, met een frequentie van fout-positieve alarmen van 0,2 per dag.

De studie van Conradsen (Conradsen et al., 2012) onderzoekt een systeem gebaseerd op electromyografie en beweging. Deze wordt volgens de classificatie van Benickzy&Ryvlin (Benickzy&Ryvlin, 2018) als niveau 0 geclassificeerd en derhalve niet meegenomen in de resultaten.

Aanvalsdetectie gebaseerd op geluid

Er werd één observationele studie gevonden van aanvalsdetectie gebaseerd op geluid (Arends et al., 2016). In deze studie werd het gebruik van een monitoringsysteem gebaseerd op geluid, onderzocht bij patiënten met een intellectuele beperking en ernstige epilepsie, wonende in een gespecialiseerde woonvorm. In het eerste deel van het onderzoek werd gekeken hoeveel patiënten herkenbare geluiden hebben tijdens grote (tonisch-clonische en lange gegeneraliseerd tonische aanvallen). Dit was het geval bij 23 van de 45 grote aanvallen. In het tweede deel werd het gebruik van een monitoringsysteem gebaseerd op geluid (CLD-monitor), onderzocht bij 10 patiënten met grote aanvallen met herkenbare geluiden. De geluidsfragmenten werden handmatig geanalyseerd. De gemiddelde sensitiviteit was 0,81 (range 0,33-1,00). De frequentie van fout-positieve alarmen was 1,29 per nacht, dit betrof telkens kleinere aanvallen, waarbij er geen noodzaak tot interventie was, echter in andere situaties zou detectie van deze aanvallen wel zinvol kunnen zijn.

Aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit)

Er werden twee studies gevonden over het detecteren van epileptische aanvallen gebaseerd op hartslag(variabiliteit) (Osorio, 2014; Behbahani et al., 2016). Osorio liet zien dat het detecteren van epileptische aanvallen middels een algoritme gebaseerd op de hartfrequentie en de relatieve harfrequentieratio van hartfrequentie ten opzichte van baseline of frequentie in de voorafgaande periode, mogelijk is. Data van patiënten opgenomen voor invasieve monitoring in het kader van epilepsiechirurgie werden onderzocht. Met de meest sensitieve instellingen (grenswaarde: toename van 15% van de hartfrequentie) werden 5 van de 241 aanvallen (2%) niet gedetecteerd. Daarnaast waren er 9,5 mogelijk fout-positieve detecties per uur. Met de specifiekere settings (grenswaarden: toename van 30% van de hartfrequentie gedurende tenminste 5 seconde) werden 34 aanvallen (14%) niet gedetecteerd en waren er 1,1 mogelijk fout-positieve detecties per uur. Van een deel van de dataset werden de mogelijk fout positieve detecties verder bekeken door het gehele elektrocorticogram (ECoG) met alle afleidingen te beoordelen in plaats van slechts enkele voorgeselecteerde kanalen. Van het deel van de dataset dat hierop werd beoordeeld bleek 36% van de mogelijk fout positieve detecties toch te berusten op een epileptische aanval die gemist was met de beperkte ECoG afleidingen, 38% had een burst van epileptiforme ontladingen, en 26% werd geduid als werkelijk fout-positieve detectie.

Behbahani (Behbahani et al., 2016) liet zien dat het voorspellen van het optreden van epileptische aanvallen gebaseerd op hartslagvariabiliteit in de pre-ictale fase mogelijk is. Van 16 patiënten uit het EPILEPSIAE project met verschillende aanvalstypen werden EEG- en ECG-data bestudeerd. Op basis van gemiddelde waarden en standaarddeviaties van de hartfrequentie in de interictale fase, werd voor elke patiënt een grenswaarde vastgesteld. Bijna 30% van de 170 gebruikte aanvallen werd gebruikt om het algoritme te trainen, het andere deel om het nadien te testen. In 78,59% van de aanvallen werd tussen 4:30 minuten en 110 seconden voorafgaand een alarm afgegeven op basis van deze grenswaarde, met een gemiddeld aantal fout-positieven van 0,21 per uur.

Bewijskracht van de literatuur 

De bewijskracht voor de uitkomstmaten sensitiviteit van aanvalsdetectie gebaseerd op accelerometrie voor het detecteren en alarmeren van epileptische aanvallen met motorische verschijnselen en frequentie fout positieve alarmen is beide met twee niveaus verlaagd gezien het geringe aantal patiënten (imprecisie) en beperkingen in de onderzoeksopzet (risk of bias), aangezien de geïncludeerde patiënten over het algemeen als mogelijk geschikt zijn geïncludeerd. De bewijskracht is zeer laag.

De bewijskracht voor de uitkomstmaten sensitiviteit van aanvalsdetectie gebaseerd op oppervlakte EMG, gecombineerde modaliteiten, geluid en hartslag(variabiliteit), en de frequentie fout-positieve alarmen is met twee niveaus verlaagd gezien het geringe aantal patiënten (imprecisie) en beperkingen in de onderzoeksopzet (risk of bias). De bewijskracht is zeer laag.

Conclusies

 

Zeer laag

De sensitiviteit van aanvalsdetectie gebaseerd op accelerometrie voor het detecteren en alarmeren van epileptische aanvallen met motorische verschijnselen bij patiënten met epilepsie is hoog.

(Beniczky et al., 2013Kramer et al., 2011Nijsen et al., 2005Velez et al., 2016)

 

Zeer laag

De frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op accelerometrie bij patiënten met epilepsie is (met name bij nachtelijk registreren) laag.

(Beniczky et al., 2013Kramer et al., 2011Velez et al,. 2016)

 

Zeer laag

De sensitiviteit van aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit), oppervlakte EMG, geluid of een combinatie van modaliteiten voor het detecteren van epileptische aanvallen is hoog bij geselecteerde patiëntengroepen, de frequentie fout-positieven is wisselend.

(Szabó et al., 2015; Onorati et al., 2017; Arends et al., 2016; Behbahani et al., 2016; Osorio, 2014)

 

Zeer laag

De frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit), oppervlakte EMG, geluid of een combinatie van modaliteiten voor het detecteren van epileptische aanvallen is wisselend.

(Szabó et al., 2015; Onorati et al., 2017; Arends et al., 2016; Behbahani et al., 2016; Osorio, 2014) 

 

De frequentie fout-positieve alarmen bij aanvalsdetectie gebaseerd op hartfrequentie(variabiliteit), oppervlakte EMG, geluid of een combinatie van modaliteiten voor het detecteren van epileptische aanvallen is wisselend.

(Szabó et al, 2015; Onorati, 2017; Arends, 2016; Behbahani, 2016; Osorio, 2014)