Et Nyt AI-System Kan Skabe Mere Håb For Personer Med Epilepsi

Som Endgadget rapporterer, kan to AI-forskere have udviklet et system, der skaber nyt håb for personer, der lider af epilepsi – et system, der ”kan forudsige epileptiske anfald med en nøjagtighed på 99,6 procent” og kan gøre det op til en time før anfaldene indtræffer.

Dette ville ikke være den første nye fremgang, da forskere på Technical University (TU) i Eindhoven, Holland, tidligere har udviklet en intelligent arm-bånd, der kan forudsige epileptiske anfald om natten. Men den nye AI-systems nøjagtighed og korte tidsramme, som IEEE Spectrum bemærker, giver mere håb til omkring 50 millioner personer verden over, der lider af epilepsi (baseret på data fra Verdenssundhedsorganisationen). Af disse patienter kan 70 procent kontrollere deres anfald med medicin, hvis de tages på rette tid.

Det nye AI-system er udviklet af Hisham Daoud og Magdy Bayoumi fra University of Louisiana at Lafayette og er blevet rost som ”et større skridt fremad fra eksisterende forudsigelsesmetoder”. Som Hisham Daoud, en af de to forskere, der har udviklet systemet, forklarer, ”På grund af uventede anfaldstider har epilepsi en stærk psykologisk og social effekt på patienterne.”

Som det forklares, ”viser hver person unikke hjernemønstre, hvilket gør det svært at forudsige anfald med nøjagtighed.” Indtil nu har de eksisterende modeller forudsagt anfald ”i en to-trinsproces, hvor hjernemønstrene skal udtrækkes manuelt og derefter anvendes en klassificeringssystem”, hvilket, som Daoud forklarer, tilføjer tid til at gøre en anfaldsforudsigelse.

I deres tilgang, som er forklaret i en studie offentliggjort den 24. juli i IEEE Transactions on Biomedical Circuits and Systems, ”er træknings- og klassificeringsprocesserne kombineret i et enkelt automatiseret system, der muliggør tidligere og mere nøjagtig anfaldsforudsigelse.”

For at yderligere forbedre systemets nøjagtighed har Daoud og Bayoumi ”inkorporeret en anden klassificeringsmetode, hvor en dyb læringsalgoritme udtrækker og analyserer patientens hjernaktivitet fra forskellige elektrodeplaceringer, hvilket forbedrer nøjagtigheden af deres model.” Da ”EEG-optagelser kan involvere flere ’kanaler’ af elektrisk aktivitet”, for at accelerere forudsigelsesprocessen endnu mere, har de to forskere ”anvendt en yderligere algoritme til at identificere de mest passende forudsigelseskanaler for elektrisk aktivitet.”

Det komplette system blev derefter testet på 22 patienter på Boston Children’s Hospital. Selv om stikprøven var lille, viste systemet sig at være meget nøjagtigt (99,6 procent) og havde ”en lav tendens til falske positiver, med 0,004 falske alarmer per time.”

Som Daoud forklarer, vil det næste skridt være udviklingen af en tilpasset computerchip til at behandle algoritmerne. ”Vi arbejder i øjeblikket på designet af effektivt hardware, der kan anvende denne algoritme, og tager mange emner i betragtning, såsom systems størrelse, strømforbrug og latency, for at gøre det egnet til praktisk anvendelse på en komfortabel måde for patienten.”