Digitale Anfallsdetektion und Qualitätsbewertung in der Elektrokonvulsionstherapie

Abstract

Die Elektrokonvulsionstherapie (EKT) ist ein etabliertes und hochwirksames Behandlungsverfahren bei schweren psychiatrischen Erkrankungen. Die EEG-basierte Beurteilung des induzierten Krampfanfalls ist dabei zentral für die Einschätzung der Behandlungsqualität. Insbesondere die Bestimmung des Anfallsendpunkts und die Berechnung daraus abgeleiteter Qualitätsparameter sind jedoch durch visuelle Beurteilung, geräteinterne Algorithmen und methodische Definitionsunterschiede nur begrenzt standardisiert. Ziel dieser Arbeit war die Entwicklung und Validierung eines digitalen Analyse-Frameworks zur automatisierten Erkennung EKT-induzierter Krampfanfälle und zur reproduzierbaren Berechnung etablierter EEG-basierter Krampfqualitätsparameter. Grundlage war eine retrospektive Analyse von 1.634 EKT-Behandlungen bei 116 Patientinnen und Patienten. Die EEG-Aufzeichnungen wurden segmentiert, numerisch charakterisiert und mithilfe überwachter maschineller Lernverfahren als iktal oder nicht-iktal klassifiziert. Anschließend wurden auf Basis des algorithmisch bestimmten Anfallsendpunkts Parameter wie Krampfdauer, postiktaler Suppressionsindex, amplituden- und energiebasierte Indizes sowie interhemisphärische Kohärenz berechnet. Die leistungsstärksten Klassifikationsmodelle erreichten eine hohe segmentbasierte Trennleistung mit einer Genauigkeit, Präzision und Sensitivität von jeweils etwa 89 %. Die berechneten Qualitätsparameter zeigten insgesamt eine gute bis hohe Übereinstimmung mit gerätebasierten Referenzwerten und visuellen Expertenbewertungen, wobei die Übereinstimmung parameterabhängig war. Die Ergebnisse zeigen, dass maschinelles Lernen eine objektive, reproduzierbare und skalierbare EEG-basierte Anfallserkennung im Kontext der EKT ermöglichen kann. Das entwickelte Framework schafft damit eine Grundlage für standardisierte digitale Auswertungen, weiterführende Validierungsstudien und perspektivisch stärker individualisierte Behandlungsstrategien.

<strong>Digital seizure detection and quality assessment in electroconvulsive therapy</strong><br/> Electroconvulsive therapy (ECT) is an established and highly effective treatment for severe psychiatric disorders. EEG-based assessment of the induced seizure is central to evaluating treatment quality. In particular, the determination of the seizure endpoint and the calculation of derived seizure quality indices remain only partly standardized, as they depend on visual assessment, device-specific algorithms, and methodological definitions. The aim of this dissertation was to develop and validate a digital analysis framework for automated detection of ECT-induced seizures and reproducible calculation of established EEG-based seizure quality parameters. The study was based on a retrospective analysis of 1,634 ECT treatments in 116 patients. EEG recordings were segmented, numerically characterized, and classified as ictal or non-ictal using supervised machine learning methods. Based on the algorithmically determined seizure endpoint, parameters such as seizure duration, postictal suppression index, amplitude- and energy-based indices, and interhemispheric coherence were calculated. The best-performing classification models achieved high segment-based discrimination, with accuracy, precision, and sensitivity of approximately 89%. Overall, the derived quality parameters showed good to high agreement with device-based reference values and visual expert ratings, although agreement depended on the specific parameter. These findings indicate that machine learning can enable objective, reproducible, and scalable EEG-based seizure detection in the context of ECT. The developed framework provides a basis for standardized digital analyses, future validation studies, and more individualized treatment strategies.