Epilepsy is a neurological disease, where up to 40% of patients, known as having refractory epilepsy, do not become seizure-free through antiepileptic drugs (AEDs). Epilepsy surgery has the highest possibility of treating patients with refractory epilepsy, however, many are never referred to surgical evaluation. Therefore, it is important to identify those patients with refractory epilepsy who should be offered surgical evaluation. This study evaluates to what extent five different machine learning classifiers can accurately classify patients with non-refractory epilepsy, patients with refractory epilepsy not in the surgical registry, and patients with refractory epilepsy in the surgical registry. We trained the classifiers logistic regression (LR), support vector machine (SVM), decision tree (DT), random forest (RF), and gradient boosting machine (GBM), using a surrogate data with 83 features. An evaluation with various metrics showed that all classifiers performed significantly better than chance, with GBM performing to the highest extent with an accuracy score of 97.78% and a recall of 97.33%. Furthermore, we investigated a potential factor that could limit the predictive performance of our classifiers. Through visualization of our data, it was found that patients with refractory epilepsy in the surgical registry and those with refractory epilepsy not in the surgical registry share similar characteristics. Therefore, this limited the classifiers predictive performance as it was more challenging to distinguish between these two groups. In addition, it is of high clinical utility to obtain those features that are considered highly correlated with refractory epilepsy. Therefore, we found that the number of video-intensive extracranial EEG monitoring, and the number of MRI scans of the brain, were among the most important features according to all five classifiers. Our findings imply that GBM has the potential to identify all patients with refractory epilepsy who should be offered surgical evaluation, thus helping in closing the inequality gap.

Epilepsi är en neurologisk sjukdom där upp till 40% av patienter inte blir fria från epilepsianfall efter försök med antiepileptiska läkemedel. Dessa patienter har refraktär epilepsi. Epilepsikirurgi anses vara den behandling med högst möjlighet att behandla patienter med refraktär epilepsi, men många patienter blir aldrig hänvisade till kirurgisk utvärdering. Därför är det viktigt att identifiera patienter med refraktär epilepsi som bör bli hänvisade till kirurgisk utvärdering. Denna studie utvärderar fem olika maskininlärningsklassificerares förmåga att klassificera patienter med icke-refraktär epilepsi, patienter med refraktär epilepsi som inte ingår i kirurgiregistret, och patienter med refraktär epilepsi som ingår i kirurgiregistret. Med hjälp av en surrogat patient data med 83 variabler tränades följande klassificerare: logistic regression (LR), support vector machine (SVM), decision tree (DT), random forest (RF), och gradient boosting machine (GBM). Deras prestanda utvärderades med hjälp av flera olika utvärderingsmått, där det visade sig att alla klassificerare presterade signifikant bättre än slumpen, och att GBM presterade bäst med en korrekthet (eng. accuracy) på 97,78% och en täckning (eng. recall) på 97,33%. Vidare undersökte vi en möjlig faktor som kunde begränsa våra klassificerares prediktiva prestanda. Genom en visualisering av vår data fann vi att patienter med refraktär epilepsi som är registrerade för kirurgisk utvärdering och de som inte är registrerade för kirurgisk utvärdering delar liknande egenskaper. Därför begränsade detta våra klassificerares prediktiva prestanda ty det var mer utmanande för våra klassificerare att skilja mellan dessa två grupper. Dessutom är det av hög klinisk nytta att erhålla de variabler som anses vara starkt korrelerade med refraktär epilepsi. Därför fann vi att antalet videointensiva extrakraniella EEG-övervakningar, samt antalet MRI-skanningar av hjärnan var bland de viktigaste variablerna enligt samtliga klassificerare. Våra resultat antyder att GBM har potential att identifiera alla patienter med refraktär epilepsi som bör erbjudas kirurgisk utvärdering och kan därmed bidra till att minska ojämlikheter.