Predicting VNS Efficiacy on Patients with Epilepsy

Vagus Nerve Stimulation (VNS) has emerged as a cornerstone neuromodulation therapy for patients with Drug-Resistant Epilepsy (DRE). However, therapeutic efficacy remains highly unpredictable, with only approximately half of implanted patients achieving a meaningful reduction in seizure frequency. Given the invasive nature of the procedure and a progressive therapeutic delay that can extend up to 24 months, predicting VNS efficacy pre-operatively is a critical clinical imperative. In this context, electroencephalography (EEG) offers a promising approach, as its ability to characterize brain rhythms may provide insights into a patient's "readiness" or responsiveness to VNS therapy. However, current predictive machine learning models predominantly rely on static resting-state recordings and opaque deep learning architectures, limiting both prognostic accuracy and clinical interpretability. This thesis introduces a novel, highly interpretable machine learning pipeline for analyzing EEG-derived features to predict the efficacy of VNS therapy in new patients, shifting the prognostic paradigm from static baseline observations to dynamic physiological reactivity. By analyzing pre-operative scalp EEG during both resting-state (PRE) and hyperventilation-induced metabolic stress (HV), the study isolates the brain's functional reserve through a Differential (DIFF) modeling framework. A robust set of quantitative biomarkers, including spectral dynamics, non-linear signal complexity, and time-domain mobility, was extracted using high-resolution temporal windows. To ensure clinical transparency, transparent algorithms were coupled with functional lobar aggregation to map the exact anatomical hubs of VNS reactivity. The empirical evaluation demonstrated that dynamic reactivity significantly outperforms static baseline assessments. The Frontal region's differential response (Frontal DIFF) emerged as the highest-performing configuration, yielding a champion predictive model with an Area Under the Curve (AUC) of 80.6%. Furthermore, regional analysis uncovered a highly structured anatomical response to VNS, highlighting the importance of frequency shifts in the frontal lobe, spectral entropy in the temporal lobe, and delayed delta-band reactivity in the occipital lobe. Ultimately, our findings suggest that VNS responsiveness is a multi-faceted network phenomenon intimately tied to the brain's capacity for dynamic reorganization under stress. The proposed methodology provides a computationally efficient, anatomically grounded, and highly interpretable pre-surgical decision-support framework to optimize patient selection for palliative neuromodulation therapy.

Vagus Nerve Stimulation (VNS) si è affermata come una terapia di neuromodulazione fondamentale per i pazienti con Epilessia Farmaco-Resistente (DRE). Tuttavia, l’efficacia terapeutica rimane altamente imprevedibile, con solo circa la metà dei pazienti impiantati che ottiene una riduzione significativa della frequenza delle crisi. Data la natura invasiva della procedura e un ritardo terapeutico progressivo che può estendersi fino a 24 mesi, prevedere l’efficacia della VNS in fase pre‑operatoria rappresenta un imperativo clinico cruciale. In questo contesto, l’elettroencefalografia (EEG) offre un approccio promettente, poiché la sua capacità di caratterizzare i ritmi cerebrali può fornire indicazioni sulla “prontezza” o sulla responsività del paziente alla terapia VNS. Tuttavia, gli attuali modelli predittivi di machine learning si basano prevalentemente su registrazioni statiche in stato di riposo e su architetture di deep learning opache, limitando sia l’accuratezza prognostica sia l’interpretabilità clinica. Questa tesi introduce una pipeline di machine learning nuova e altamente interpretabile per analizzare le caratteristiche derivate dall’EEG al fine di prevedere l’efficacia della terapia VNS in nuovi pazienti, spostando il paradigma prognostico da osservazioni statiche basali alla reattività fisiologica dinamica. Analizzando l’EEG di scalpo pre‑operatorio sia durante lo stato di riposo (PRE) sia durante lo stress metabolico indotto da iperventilazione (HV), lo studio isola la riserva funzionale del cervello attraverso un framework di modellizzazione Differenziale (DIFF). Un insieme robusto di biomarcatori quantitativi, tra cui dinamiche spettrali, complessità non lineare del segnale e mobilità nel dominio temporale, è stato estratto utilizzando finestre temporali ad alta risoluzione. Per garantire trasparenza clinica, algoritmi trasparenti sono stati combinati con un’aggregazione lobare funzionale per mappare gli esatti hub anatomici della reattività alla VNS. La valutazione empirica ha dimostrato che la reattività dinamica supera significativamente le valutazioni statiche basali. La risposta differenziale della regione Frontale (Frontal DIFF) è emersa come la configurazione con le migliori prestazioni, producendo un modello predittivo campione con un’Area Under the Curve (AUC) dell’80,6%. Inoltre, l’analisi regionale ha rivelato una risposta anatomica altamente strutturata alla VNS, evidenziando l’importanza degli spostamenti di frequenza nel lobo frontale, dell’entropia spettrale nel lobo temporale e della reattività ritardata nella banda delta nel lobo occipitale. In definitiva, i nostri risultati suggeriscono che la responsività alla VNS è un fenomeno di rete multifattoriale intimamente legato alla capacità del cervello di riorganizzarsi dinamicamente sotto stress. La metodologia proposta fornisce un framework di supporto decisionale pre‑chirurgico efficiente dal punto di vista computazionale, anatomicamente fondato e altamente interpretabile per ottimizzare la selezione dei pazienti candidati alla terapia di neuromodulazione palliativa.