《Epilepsia》：Seizure forecasting with epilepsy cycles: On the causality of forecasting pipelines
编辑推荐：
本研究系统评估了基于癫痫周期（如昼夜节律/多日节律）的发作预测模型在因果性（仅用历史数据）与非因果性（使用未来数据）处理下的性能差异。结果显示，因果性约束导致预测性能显著下降（AUC从0.76降至0.63，预警时间比例从35%升至60%），凸显了现有回顾性研究可能高估临床实用性，并强调了实时预测中开发新型因果周期提取方法的紧迫性。
背景与意义
癫痫作为中枢神经系统慢性疾病，影响全球约1%人口，其中约三分之一患者无法通过药物实现持续无发作。癫痫发作的不可预测性导致患者生活质量下降及社会负担加重。近年来，基于生物节律（如昼夜节律和多日节律）的发作预测成为研究热点，这些节律可通过颅内脑电图（iEEG）、心率和可穿戴设备等多模态数据捕捉。然而，现有预测模型多采用非因果信号处理（需使用未来数据），虽适用于回顾性分析，却无法直接应用于实时临床场景。
研究方法与设计
研究团队利用18例植入RNS（反应性神经刺激）系统患者的长期IEA数据，对比了因果与非因果滤波方法在提取癫痫周期中的效果：
- •
非因果滤波：使用零相位Butterworth滤波器（10阶），需依赖未来数据。
- •
因果滤波：采用Butterworth无限脉冲响应（IIR）滤波器（1-10阶）和Kaiser有限脉冲响应（FIR）滤波器，仅基于历史数据模拟实时预测。
预测模型采用泊松回归，以AUC（曲线下面积）、BSS（Brier技能评分）和PTIW（预警时间比例）为核心指标，并以改善优于随机（IoC）作为有效性阈值。
核心发现
- 1.
因果约束导致性能显著下降
- •
非因果模型性能与既往研究一致（每小时预测AUC中位数0.76，89%患者达IoC），而因果模型性能急剧恶化（AUC降至0.63，IoC患者比例降至72%）。
- •
每日预测中，因果模型无一患者表现优于随机，凸显长时程预测的挑战。
- •
性能损失主因是因果滤波的固有缺陷：时间滞后和周期波形变形（如图3通过交叉相关分析验证）。
- 2.
滤波策略比较
- •
低阶因果滤波器（如1阶Butterworth）性能最优，但仅略优于未滤波IEA计数（图2）。
- •
滚动边界法（非因果滤波+实时截断）虽无时间滞后，但边界变形严重，效果与因果滤波相当（图S13）。
- 3.
昼夜节律的作用
- •
固定周期（24小时）与可变周期昼夜节律对预测性能影响无显著差异（图S7）。
- •
联合使用昼夜节律与多日节律可小幅提升因果模型性能（AUC从0.60升至0.64），但未达统计学显著性（表S6）。
- 4.
预测策略探索
- •
两步预测法（先预测周期，再映射至发作风险）与一步法性能相近，均受限于因果滤波的固有约束（图S9）。
- •
窄带（针对特定频率）与宽带（复合频率）滤波在因果模型中表现相似。
临床与学术价值
本研究首次系统揭示因果性约束对癫痫周期预测的关键影响：
- •
实践意义：强调实时预测需严格采用因果管道，避免回顾性研究中的性能高估。
- •
技术建议：推荐使用周期变量（而非非因果的希尔伯特相位）、低阶IIR滤波器，并提供因果性验证方法（如检测时间滞后与边界变形）。
- •
未来方向：需开发非依赖时序滤波的新型因果周期提取技术（如基于功能连接的生物标志物），以突破当前性能瓶颈。
结论
癫痫周期预测的临床转化高度依赖因果性实现。本研究通过实证分析明确了因果约束下的性能边界，为未来实时预测模型的优化与评估提供了关键方法论基础。
