Identifizierung von Anfallsclustern bei Patienten mit Epilepsie | Jiotower

Viele neurologische Störungen sind durch wiederkehrende Anfälle und eine anhaltende Prädisposition für Anfälle gekennzeichnet. Für diese chronischen Erkrankungen mit episodischen Manifestationen (CDEM), einschließlich Epilepsie, Migräne und Multipler Sklerose, suchen Kliniker und Patienten nach Erklärungen für das Auftreten und die Muster von Anfällen in der Hoffnung, sie vorhersagen und verhindern zu können. Die grundlegende Frage ist, ob das Auftreten von Anfällen bei diesen Störungen zufällig oder gemustert ist. Epilepsie ist einzigartig geeignet, um das Problem des Clusters anzugehen, da bei einigen Personen (Clustern) die Wahrscheinlichkeit eines Anfalls bei jüngsten Anfällen größer zu sein scheint. Darüber hinaus haben viele Patienten mit Epilepsie eine ausreichende Häufigkeit von Episoden, um eine Bewertung der zeitlichen Muster zu ermöglichen.

Wenn Clustering wirklich existiert, dann erfordert beispielsweise bei einem Anfallscluster der Beginn eines Clusters eine aggressive Intervention, um das kurzfristige Wiederauftreten zusätzlicher Anfälle oder des Status epilepticus zu verhindern. Darüber hinaus bietet die Identifizierung von Clustern die Möglichkeit, nach umweltbedingten oder genetischen Risikofaktoren zu suchen, die für Clustering prädisponieren.

Wir haben eine tägliche Tagebuchstudie verwendet, um die Hypothese zu testen, dass Clustering ein wahres Phänomen bei Epilepsie ist und dass es im klinischen Umfeld identifiziert werden kann. Wir untersuchten eine einfache klinische Definition von Clustering – drei oder mehr Anfälle innerhalb von 24 Stunden1,2 -, die ein Patient selbst melden kann und einfach anzuwenden ist, und verglichen dies mit der statistischen Definition von Clustering als signifikante Abweichung von einer zufälligen zeitlichen Verteilung.3-6 Dieser Ansatz wird unsere Untersuchungen zum Phänomen des Clusters bei Epilepsie informieren und kann auf andere chronische Erkrankungen mit episodischen Manifestationen angewendet werden.

Methoden. Thema Rekrutierung und Zustimmung wurde beschrieben.2 Geeignete Probanden waren ≥18 Jahre alt, hatten lokalisationsbedingte Epilepsie; ≥1 Anfall in den letzten 12 Monaten und waren in der Lage, unabhängig ein Anfallstagebuch zu führen. Probanden, die ≥3 Anfälle pro Tag meldeten, wurden ausgeschlossen, da die Definition des Clusters von einem Anstieg über die mittlere tägliche Anfallshäufigkeit ausgeht.

Datenerfassung. Die Probanden wurden geschult, tägliche Tagebücher zu führen, einschließlich Zeiten und Merkmale aller Anfälle, Stunden Schlaf, Einhaltung von Medikamenten, Alkoholkonsum, Stressmessungen, und Menstruationsstatus (Abbildung E-1 auf der Website von Neurology unter www.neurology.org ). Probanden, die nicht den täglichen Tagebüchern entsprachen, wurden gebeten, monatliche Anfallskalender zu führen.

Von 134 Probanden, die zwischen November 2002 und September 2004 eingeschrieben waren, gaben 35 (26%) keine Tagebücher zurück, 12 (9%) gaben ein Tagebuch zurück und 87 (65%) gaben mehr als ein Tagebuch zurück und wurden in diese Analysen einbezogen; Von diesen hatten 16 (18%) keine Anfälle.

Epilepsieklassifikation und Anfallslokalisation wurden von einem einzigen Epileptologen (S.H.) gemäß ILAE-Kriterien zugewiesen.7 Die Lokalisation wurde bei Probanden mit normalen oder nicht lokalisierbaren EEG- und MRT-Daten und keiner / nicht lokalisierbaren stationären Epilepsie-Überwachung als unbekannt angesehen. Probandendaten waren für MRT (100%), interiktales EEG (87%) und iktales EEG (65%) verfügbar.

Anfallsclustering wurde unter Verwendung einer klinischen Standarddefinition (drei oder mehr Anfälle in 24 Stunden) und einer statistischen Definition definiert, die die Hypothese testete, dass Anfälle zufällig zeitlich verteilt waren, nach einer Poisson-Verteilung, die durch einen gleichen Mittelwert und eine gleiche Varianz gekennzeichnet war. Clustering oder regelmäßige periodische Muster wären Abweichungen von diesem Modell. Die Varianz der Anzahl der Anfälle pro Tag wurde mit der mittleren Rate der Anfälle pro Tag unter Verwendung einer t-Teststatistik verglichen.8 Ein Mittelwert größer als die Varianzschätzung zeigte ein regelmäßiges periodisches Muster an, während eine größere Varianz ein Clustermuster anzeigte.

Ergebnisse. Demografische und Anfallsdaten für 87 Tagebuch-konforme und 47 nicht konforme Probanden werden vorgestellt (Tabelle 1). Die Gruppen unterschieden sich nicht signifikant nach Alter, Geschlecht, Epilepsieklassifikation / -lokalisation, Epilepsie-Ätiologie oder Behandlungsort. Das mittlere / mediane Follow-up betrug 233 Tagebuchtage (siehe Tabelle E-1 auf der Neurology-Website unter www.neurology.org).

Die Anfallsverteilung für die 87 tagebuch-konformen Probanden ist dargestellt (Tabelle 2). Siebenunddreißig Probanden (43%) erfüllten beide Definitionen von Clustering, während 50 Probanden (57%) Nichtclusterer waren. Alle 37 Clustering-Probanden erfüllten die klinische Definition und 19 (22%) erfüllten auch die statistische Definition. Achtzehn Probanden (21%) erfüllten die klinische, aber nicht die statistische Definition.

Die mediane Anfallsrate betrug insgesamt 0,07 Anfälle / Tag (SD 0,5). Die mediane Rate für Nicht-Clusterer betrug nach jeder Definition 0,03 Anfälle / Tag (SD 0,05), verglichen mit 0,3 Anfällen / Tag (SD 0,68) für diejenigen mit jedem Clustering (p = 0,0001). Die mediane Anfallsrate für statistische Clusterer betrug 0,37 Anfälle / Tag (SD 0,80) und für klinische (nicht statistische) Clusterer 0,14 Anfälle / Tag (SD 0,48) (p = 0,007).

Bei neun statistischen Clustern (47%) traten > 50% der Anfälle in klinischen Clustern auf, im Gegensatz zu vier klinischen (nicht statistischen) Clustern (22%). Kein Subjekt erlebte alle ihre Anfälle in klinischen Clustern. Das Subjekt, das einem reinen Clusterer am nächsten kam, hatte 11/12 Anfälle (92%) in Clustern (111 Follow-up-Tage) und erfüllte beide Clusterdefinitionen.

Diskussion. Bei vielen Menschen mit Epilepsie ermöglicht die Anfallshäufigkeit eine quantitative Beurteilung zeitlicher Muster, einschließlich Clustering. In dieser Studie untersuchten wir die Verteilung von Anfällen in einer großen Kohorte von Probanden, gefolgt von täglichen Anfallstagebüchern, um die Prävalenz von Clustern zu bewerten und eine Methode zur Identifizierung von Anfallsclustern zu verfeinern. Wir definierten Anfallsclustering entweder klinisch (drei Anfälle in 24 Stunden) oder statistisch (Abweichung von einer Poisson-Verteilung).

Wir schließen daraus, dass Clustering bei Epilepsie häufig ist. Fast die Hälfte unserer Probanden hatte einige Anfälle in klinischen Clustern, und ungefähr 20% erfüllten die konservativere Definition des statistischen Clusters. Überraschenderweise ist jedoch ein reines Clustering selten; Kein Subjekt erlebte alle seine Anfälle in klinischen Clustern.

Die gemeldete Prävalenz von Anfallsclustern nach klinischen Kriterien lag zwischen 14% und 61%.1,2,9 Obwohl unsere Studienpopulation auf hartnäckige Epilepsie ausgerichtet war, hatte sie eine niedrige mittlere tägliche Anfallsrate von 0,07, was wahrscheinlich ein breiteres Spektrum an Anfallskontrolle darstellt als frühere Studien. In ähnlicher Weise ist unsere Prävalenz von statistischem Clustering (20%) niedriger als bei früheren statistisch basierten Berichten mit kleineren Stichprobengrößen, bei denen 45% bis 92% der Probanden Anfallsmuster hatten, die von einem Poisson-Prozess abweichten.3-6

Alle Probanden, die die statistische Definition von Clustering erfüllten, erfüllten auch die klinische Definition, was darauf hindeutet, dass die statistische Definition für Clustering sehr spezifisch ist. Selbst bei der statistischen Definition können jedoch falsch negative Ergebnisse im Zusammenhang mit niedrigen Anfallsraten oder kurzen Nachuntersuchungen auftreten. Alternativ liefert die klinische Methode wahrscheinlich falsch positive Ergebnisse oder zufällig auftretende Anfallscluster. Eine höhere Anfallsrate war nach beiden Definitionen signifikant mit Clustering assoziiert.

Unsere Studie umfasst eine große Stichprobe, ein breites Spektrum an Anfallskontrolle und ein langes medianes Follow-up. Zu den Einschränkungen der Studie gehören die Rekrutierung aus einem Epilepsiezentrum mit einer Tendenz zu hartnäckiger Epilepsie und die Nichteinhaltung der Tagebücher durch das Subjekt. Anfallsclustering in der gut kontrollierten Population scheint jedoch selten zu sein, und die Basismerkmale nicht konformer Probanden unterschieden sich nicht signifikant von konformen Probanden, was eine Verzerrung der Teilnahme weniger wahrscheinlich macht.

In der klinischen Praxis ist es wichtig, potenzielle Anfallscluster zu identifizieren, da diese Patienten möglicherweise abortive Therapien (d. H. parenterale Benzodiazepine) benötigen und ein höheres Risiko für einen Status epilepticus haben.10 Wir zeigen hier, dass selbstberichtetes Anfallsclustering, definiert als drei oder mehr Anfälle in 24 Stunden, alle wahren Clusterer identifizieren sollte, aber auch falsch positive Clusterer mit hohen Anfallsraten identifizieren wird. Die klinische Verwendung von Anfallstagebüchern kann helfen, diese Probanden zu identifizieren.

Wir zeigen auch, dass reines Anfallsclustering selten ist. Anstatt Risikofaktoren zu untersuchen, um ein “Clusterer” zu sein, planen wir, Risikofaktoren für den Eintritt in eine “Periode der Anfälligkeit” für Cluster zu untersuchen. Mögliche Risikofaktoren sind Veränderungen im Schlaf oder in der Medikation, Stoffwechselstörungen, Stress oder Menstruation. Der Nutzen der Identifizierung modifizierbarer Risiken für Anfallscluster ist beträchtlich.

In ähnlicher Weise ist bei anderen chronischen neurologischen Störungen (insbesondere Migräne) die Häufung von Anfällen möglicherweise weniger ein individuelles Merkmal als ein Phänomen, das mit Perioden der Verwundbarkeit zusammenhängt. Laufende Untersuchung von Variablen im Zusammenhang mit Clustering bei Epilepsie kann dazu dienen, Strategien zur Bewertung des Auftretens von Episoden bei anderen chronischen Erkrankungen mit episodischen Manifestationen zu verfeinern.