Project

Discipline

Intracranial EEG; Pharmacoresistance; Bayesian Approach; Human Epilepsy

Lead
Um Patienten/innen mit Epilepsie wirkungsvoller und gezielter behandeln zu können, ist es notwendig, die Auswirkungen therapeutischer Interventionen auf Entstehung und Dynamik epileptischer Anfälle besser zu verstehen. Ein moderner Weg zu einem tieferen Verständnis dieser Auswirkungen ist die Computer-unterstützte Entwicklung von Modellen der elektrischen Aktivität von Teilen des menschlichen epileptischen Gehirns. Mit Hilfe dieser Modelle können dann die Effekte präzise umschriebener ("minimal invasiver") therapeutischer Interventionen simuliert werden. Ziel dieses Projektes ist die Entwicklung solcher Modelle, um einen Beitrag zur weiteren Verbesserung der Therapie von Epilepsiepatienten/innen zu leisten.
Lay summary
Inhalt und Ziel des Forschungsprojektes Patienten/innen, die an epileptischen Anfällen leiden, welche mit Medikamenten nicht kontrolliert werden können, kann unter Umständen mit einem epilepsiechirurgischen Eingriff geholfen werden. Typische Voraussetzungen dafür sind, dass 1. alle Anfälle in einem einzigen Hirnareal entstehen, 2. dieses Hirnareal genau lokalisiert werden kann und 3. die chirurgische Entfernung dieses Hirnareales nicht zu für den Patienten/in unakzeptablen neurologischen Folgeschäden führt. Um das Hirnareal, in welchem die Anfälle entstehen, genau zu lokalisieren, ist es häufig notwendig, die elektrische Aktivität mit speziellen Sensoren (Elektroden) zu messen, die direkt in das Hirn eingelegt werden. Diese Signale werden als "intrakranielles Elektroencephalogramm (iEEG)" bezeichnet. Das Ziel des vorliegenden Projektes ist es, aus diesen iEEG Signalen mit Hilfe leistungsfähiger mathematischer Methoden ("Bayessche Statistik") Modelle zu entwickeln - sogenannte "Probabilistic Graphical Models" (PGMs) - die dann die Simulation gezielter therapeutischer Interventionen, wie zum Beispiel die chirurgische Entfernung oder elektrische Modulation bestimmter Hirnareale, erlauben.  Wissenschaftlicher und gesellschaftlicher Kontext des Forschungsprojektes Dieses Projekt beinhaltet die mathematische Analyse und Modellierung der elektrischen Aktivität von Teilen des menschlichen epileptischen Gehirns und soll zur Verbesserung der therapeutischen Möglichkeiten bei  einer der häufigsten - und deshalb nicht nur für den individuellen Patienten/In, sondern auch für die Gesellschaft als Ganzes relevanten - neurologischen Krankheit beitragen. Die dabei zu entwickelnden und angewandten Analysemethoden sind zudem nicht nur für die Analyse hirnelektrischer Signale hoch relevant, sondern können auf zahlreiche weitere komplexe Systeme angewendet werden, wie sie in unserer heutigen zunehmend vernetzten Welt allgegenwärtig geworden sind.

Direct link to Lay Summary

Last update: 25.09.2014

Active participation

Number	Title	Start	Funding scheme

Background: The primary treatment goal in patients suffering from epilepsy is complete seizure freedom. However, seizure freedom is still not achieved in 20-30% of the patients. It is therefore mandatory to find biomarkers, i.e. measurable characteristics of seizure generation that have the potential to improve current therapies and to guide the design of novel approaches like electric brain stimulation. Here we set out to invoke the powerful tools offered by Bayesian inference methods to assess seizure dynamics, i.e. the spatiotemporal characteristics of intracranial EEG (iEEG) that are critical for seizure onset, seizure propagation and seizure termination. A crucial aspect of our approach is the implementation of versatile, realistic models of multi-channel iEEG time series, which should allow to predict how specific iEEG signals, generated in different parts of the epileptic brain, influence overall iEEG seizure dynamics. We expect that the Bayesian inference approach will clearly surpass the limitations of state-of-the-art methods of iEEG analysis, such as functional networks, which are purely descriptive only and which do not allow to model the effect of localized changes onto the overall iEEG patterns. Working hypothesis:Using multi-channel iEEG time series, the Bayesian inference approach allows for realistic predictions regarding the probability of seizure occurrence. In particular, this approach allows to test, how specific iEEG signals in different parts of the epileptic brain influence overall iEEG seizure dynamics and seizure probability.Patients and methods:In patients with pharmaco-resistant epilepsies who undergo invasive monitoring, iEEG will be prospectively recorded with high spatio-temporal resolution using macroelectrodes and microwires. Bayesian inference -in particular Probabilistic Graphical Models (PGMs) that accurately represent seizure and non-seizure brain states- will be learned from iEEG signals. The PGMs then allow to extensively test, how changes of one or more iEEG signals influence seizure dynamics and thereby help to identify the brain regions and electric brain activities that are key for seizure control. To further validate the PGMs, we will retrospectively analyze an existing database consisting of >200 iEEG seizures from patients with known post-surgical outcomes. Expected value of the project:By invoking the powerful framework of Bayesian inference applied to iEEG signals this project will deepen the understanding of how localized changes of electric activity influence the overall dynamics of human epileptic brains during seizures. We expect the results of this study to potentially be key to better predict the outcome of current resective epilepsy surgeries. In addition, they may also provide guidance for future neuromodulatory therapies, by helping to improve target selection and identifying those iEEG signals that should be induced by therapeutic interventions.