Ứng dụng của điện não đồ (EEG) trong dự đoán cơn động kinh  

Error message

Deprecated function: The each() function is deprecated. This message will be suppressed on further calls in _menu_load_objects() (line 579 of /home/vjsonline/GIT/vjs/main_website/includes/menu.inc).

Động kinh là một trong những rối loạn thần kinh phổ biến nhất, chỉ xếp thứ hai sau đột quỵ với khoảng 40 triệu người mắc phải trên thế giới (năm 2015). Hai phần ba người bệnh có thể kiểm soát căn bệnh với sự hỗ trợ của thuốc, 8-10 % phải sử dụng đến các biện pháp phẫu thuật [1]. Cơn động kinh có thể tái phát sau quá trình thuyên giảm và một số bệnh nhân có biểu hiện kháng thuốc sau quá trình điều trị. Bệnh nhân trong tình trạng động kinh nếu không được kiểm soát có thể tử vong đột ngột cùng với những ảnh hưởng về mất trí nhớ, trầm cảm và nhiều rối loạn về tâm lý khác [2]. Khi đó tâm lý người bệnh bị ảnh hưởng rất nhiều vì cảm giác lo sợ không biết khi nào sẽ xảy ra cơn động kinh.

Động kinh có thể xảy ra theo 2 trường hợp. Trường hợp thứ nhất, cơn động kinh xảy ra bất ngờ và đột ngột, không thể được dự đoán trước. Trong trường hợp thứ hai, do có sự thay đổi từ từ của các chất hóa học nội sinh và ngoại sinh nên ta có thể ghi lại các thông số thay đổi, từ đó có thể dự đoán được khi nào cơn động kinh sẽ xảy ra [3].

Những năm gần đây, nhiều nghiên cứu về chuẩn đoán các rối loạn về thần kinh thường sử dụng đến điện não đồ (electroencephalogram – EEG). EEG ghi lại những tín hiệu điện hoạt động thông qua nhiều điện cực, đo sự thay đổi điện áp của các dòng điện trong não. Thời gian của sự dao động điện thế (các tín hiệu) đo bởi EEG được cho là tương đương với sự hoạt động của hệ thần kinh. Bằng cách so sánh EEG của nhiều người bệnh, có thể phát hiện và phân loại các rối loạn hoạt động trong não. EEG cũng cung cấp thông tin về vị trí những nơi hoạt động không bình thường trên não nên cũng dùng để xác định kiểu động kinh [4].

Một kiểu rối loạn trước khi xảy ra cơn động kinh đo bằng EEG

Người đầu tiên dùng EEG để dự đoán cơn động kinh là Viglione và Walsh. Sau đó, Rogowski và Salant cùng tìm thấy sự thay đổi trong 6 giây trước khi cơn động kinh xảy ra. Siegel và các cộng sự tìm thấy sự thay đổi trong 1 phút khi nhận ra sự giảm các tín hiệu có 1 đỉnh và tăng các tín hiệu có 2 đỉnh trước cơn động kinh. Sau đó Quyen và cộng sự đã so sánh sự thay đổi giữa các cơn động kinh và tìm thấy những tín hiệu có xu hướng giảm trước khi xảy ra các cơn động kinh [2].

Từ những sự khác biệt ghi nhận được, các nhà nghiên cứu đã phát triển các thuật toán phân tích để có thể dự đoán trước cơn động kinh. Chaovalitwongse và cộng sự đã thử nghiệm thuật toán trên 10 bệnh nhân với thời gian dự đoán trung bình là 72 phút trước khi cơn động kinh xảy ra với độ chính xác đạt 68% [5]. Costa và cộng sự đã phân tích 14 kiểu tín hiệu và dự đoán trước 5 phút khi động kinh xảy ra. Họ công bố thuật toán với sự chính xác rất cao 98,5%. Tuy nhiên thuật toán này chỉ được thử nghiệm trên 2 bệnh nhân [6].

Moghim và cộng sự cũng đã phát triển thuật toán ASPPR phân tích 14 tín hiệu đặc trưng trong 204 tín hiệu được ghi nhận trên 21 bệnh nhân. Với độ chính xác khá cao 93,38 % khi dự đoán khoảng 5 phút trước cơn động kinh và 90,15 % khi dự đoán khoảng 20 đến 25 phút trước cơn động kinh [2].

Mô hình thiết bị đo EEG trong tương lai

Trong tương lai, các thiết bị đo EEG sẽ được thu nhỏ lại có thể dễ dàng mang theo bên người hoặc gắn trên mũ, khăn choàng. Các thuật toán sẽ ngày càng chính xác và dự đoán sớm hơn để có thể cảnh báo người bệnh khi cơn động kinh xảy ra. Việc này sẽ giúp người bệnh giảm thiểu được rất nhiều nguy hiểm so với một cơn bệnh có thể xảy ra bất kì lúc nào.

Tác giả: Võ Thị Hạnh Đan (Đại học Khoa học Tự nhiên TP. HCM)

Tài liệu tham khảo:

1.       Mormann, F., et al., Seizure prediction: the long and winding road. Brain, 2007. 130(2): p. 314-333.

2.       Moghim, N. and D.W. Corne, Predicting Epileptic Seizures in Advance. PLoS ONE, 2014. 9(6): p. e99334.

3.       Da Silva, F.L., et al., Epilepsies as Dynamical Diseases of Brain Systems: Basic Models of the Transition Between Normal and Epileptic Activity. Epilepsia, 2003. 44: p. 72-83.

4.       Niedermeyer, E. and F.L. da Silva, Electroencephalography: basic principles, clinical applications, and related fields. 2005: Lippincott Williams & Wilkins.

5.       Chaovalitwongse, W., et al., Performance of a seizure warning algorithm based on the dynamics of intracranial EEG. Epilepsy research, 2005. 64(3): p. 93-113.

6.       Costa, R.P., et al. Epileptic seizure classification using neural networks with 14 features. in International Conference on Knowledge-Based and Intelligent Information and Engineering Systems. 2008. Springer.