Seizure Prediction: From Patient Perspectives to Advanced Signal Processing and Machine Learning Algorithms

L'épilepsie est une maladie neurologique chronique qui touche environ 60 millions de personnes de tous âges dans le monde. Caractérisée par des crises récurrentes qui ont pour origine des décharges neuronales excessives dans le cerveau et qui se manifestent par une variété de symptômes physiques invalidants, l'épilepsie a été qualifiée de « priorité de santé publique » par l'Organisation mondiale de la santé. Malgré la disponibilité de médicaments anticrises et la chirurgie de l'épilepsie, plus d'un tiers des personnes atteintes d'épilepsie (PAE) souffrent de crises incontrôlées. La prédiction ou la prévision de la survenue des crises est un domaine de recherche important et interdisciplinaire qui fait progresser notre compréhension de la génération des crises et vise à réduire le fardeau des crises incontrôlées en proposant de nouvelles technologies aux PAE. Alors que les crises sont souvent considérées comme spontanées et imprévisibles, des décennies de recherche sur les enregistrements d'électroencéphalographie intracrânienne (iEEG) ont révélé des preuves d'une période de transition entre l'activité interictale (état cérébral normal) et la période ictale (état de crise) appelée l'état préictal. Cependant, malgré plusieurs avancées scientifiques et le développement de nombreux algorithmes de prédiction des crises basés sur des approches computationnelles, une bonne compréhension de l'état préictal échappe encore aux chercheurs et aux cliniciens, notamment en raison de la nature complexe et non stationnaire de la dynamique cérébrale épileptique. Les algorithmes de pointe nécessitent de combiner plusieurs caractéristiques extraites de l'iEEG avec des classificateurs sophistiqués et se sont révélés prometteurs pour l'identification automatique de l'état préictal. Malheureusement, la complexité de calcul de ces algorithmes a limité leur translation à un dispositif clinique réalisable. De nouvelles approches basées sur des biomarqueurs plus informatifs et des réseaux de neurones artificiels (ANNs) pourraient aider à minimiser l'extraction de caractéristiques et catalyser la traduction de ces algorithmes de prédiction personnalisés en dispositifs cliniques.