Une étude prospective pour la détection et la prédiction des crises d'épilepsie à l'aide d'un dispositif EEG portable intra-auriculaire

A prospective study for the detection and prediction of epileptic seizures using a portable in-ear EEG device

• Auteur / Autrice : Eugénie Dessevres
• Direction : Michel Le van quyen, Mario Valderrama
• Type : Projet de thèse
• Discipline(s) : Neurosciences
• Date : Inscription en doctorat le 01/12/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Cerveau, cognition, comportement
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Imagerie Biomédicale

Mots clés

Mots clés libres

Crise d'épilepsie

Eeg

Dsipositif intra-auriculaire

Apprentissage automatique

Epileptic seizure

Eeg

In-ear-device

Machine learning

Résumé

Les épilepsies focales représentent la majorité des cas d'épilepsie chez l'adulte et sont caractérisées par un taux élevé de pharmacorésistance, ce qui fait de cette population de patients une cible clé pour l'amélioration des soins de santé dans ce domaine. Dans ce contexte, le projet de thèse contribuera à une étude clinique en cours, MONIEAR (Projet INSERM/MESSIDORE 2023), qui implique 50 patients atteints d'épilepsie focale réfractaire admis à l'Unité de surveillance de l'épilepsie (USE) de l'Hôpital de la Fondation Rothschild (Paris, France) pour une surveillance vidéo-EEG à long terme prescrite. Le premier objectif de l'étude est d'évaluer la capacité d'un EEG intra-auriculaire à détecter les crises focales par rapport à l'EEG conventionnel multi-électrodes du cuir chevelu (méthode de référence) pendant la phase de l'USE. Le second objectif est, après la phase d'USE, d'enregistrer un sous-ensemble d'environ 20 patients qui continueront à utiliser le dispositif EEG intra-auriculaire à domicile pendant 4 à 6 mois. Des données seront collectées sur les crises, les événements indésirables, la conformité du dispositif et l'utilisation de médicaments antiépileptiques. À partir de ces bases de données, le candidat au doctorat développera des algorithmes d'IA pour détecter automatiquement les crises en cours et les pics interictaux à partir des données EEG intra-auriculaires. Ces réseaux neuronaux profonds, qui s'appuient sur des travaux antérieurs concernant l'EEG du cuir chevelu, seront entraînés à identifier automatiquement ces activités épileptiques. La précision de ces algorithmes sera comparée à l'EEG de référence pendant la phase de l'USE et testée pendant la surveillance à domicile. En outre, le projet explorera la possibilité d'extraire des cycles multidiens (de plusieurs jours) à partir des données EEG in-ear à long terme recueillies pendant la phase à domicile. Ces oscillations infralentes, qui durent généralement de 20 à 30 jours, sont connues pour moduler l'activité épileptiforme interictale et pourraient fournir des informations précieuses sur la probabilité des crises quotidiennes. Le doctorat vise à déterminer si les schémas cycliques de l'activité cérébrale détectés par l'EEG intra-auriculaire peuvent prédire le risque de crise plusieurs jours à l'avance en analysant l'interaction des cycles circadiens et multidiens.

Focal epilepsies account for the majority of adult epilepsy cases and are characterized by a high rate of pharmacoresistance, making this patient population a key target for improving healthcare in this area. In this context, the PhD project will contribute to an ongoing clinical study, MONIEAR (Projet INSERM/MESSIDORE 2023), which involves 50 patients with refractory focal epilepsy admitted to the Epilepsy Monitoring Unit (EMU) at the Hôpital de la Fondation Rothschild (Paris, France) for clinically-indicated long-term video-EEG monitoring. The first study objective is to assess the ability of an intra-auricular (in-ear) EEG device to detect focal seizures compared to the conventional multielectrode scalp EEG (the gold standard) during the EMU phase. The second objective is, after completing the EMU phase, to record a subset of around 20 patients that will continue to use the in-ear EEG device at home for 4-6 months. Data will be collected on seizures, adverse events, device compliance, and antiepileptic drug usage. Based on these databases, the PhD candidate will develop AI algorithms to automatically detect ongoing seizures and interictal spikes from the in-ear EEG data. These deep neural networks, building on prior work with scalp EEG, will be trained to automatically identify these epileptic activities. The accuracy of these algorithms will be compared with the gold standard EEG during the EMU phase and tested during home monitoring. Additionally, the project will explore the potential to extract multidien (multi-day) cycles from the long-term in-ear EEG data collected during the home phase. These infraslow oscillations, which typically last 20-30 days, are known to modulate interictal epileptiform activity and could provide valuable information about daily seizure probability. The PhD aims to determine whether cyclic patterns in brain activity detected by the in-ear EEG can predict seizure risk days in advance by analyzing the interaction of circadian and multidien cycles.