Ένα Νέο Σύστημα AI Μπορεί να Δημιουργήσει Περισσότερη Ελπίδα για Άτομα με Εpileψία

Όπως αναφέρει το Endgadget, δύο ερευνητές του AI μπορεί να έχουν δημιουργήσει ένα σύστημα που δημιουργεί νέα ελπίδα για άτομα που πάσχουν από επιληψία – ένα σύστημα «που μπορεί να προβλέψει επιληπτικές κρίσεις με ακρίβεια 99,6%» και να το κάνει μέχρι μια ώρα πριν από τις κρίσεις.

Αυτό δεν θα ήταν η πρώτη νέα πρόοδος,既然 προηγουμένως ερευνητές στο Τεχνικό Πανεπιστήμιο (TU) στο Έιντχοβεν, Ολλανδία ανέπτυξαν ένα έξυπνο βραχιολάκι που μπορεί να προβλέψει επιληπτικές κρίσεις κατά τη διάρκεια της νύχτας. Αλλά η ακρίβεια και ο σύντομος χρόνος που το νέο σύστημα AI μπορεί να λειτουργήσει, όπως σημειώνει το IEEE Spectrum, δίνει περισσότερη ελπίδα σε περίπου 50 εκατομμύρια άτομα σε όλο τον κόσμο που πάσχουν από επιληψία (βασισμένο στα δεδομένα του Παγκόσμιου Οργανισμού Υγείας). Από αυτόν τον αριθμό των ασθενών, το 70% μπορεί να ελέγξει τις κρίσεις τους με φάρμακα αν τα λάβουν εγκαίρως.

Το νέο σύστημα AI δημιουργήθηκε από τους Hisham Daoud και Magdy Bayoumi του Πανεπιστημίου της Λουιζιάνας στο Lafayette, και χαρακτηρίζεται ως «ένα σημαντικό βήμα μπροστά από τις υπάρχουσες μεθόδους πρόβλεψης». Όπως εξηγεί ο Hisham Daoud, ένας από τους δύο ερευνητές που ανέπτυξαν το σύστημα, «Λόγω των απροσδόκητων χρόνων κρίσεων, η επιληψία έχει μια ισχυρή ψυχολογική και κοινωνική επίδραση στους ασθενείς».

Όπως εξηγείται, «κάθε άτομο παρουσιάζει μοναδικά προτύπους εγκεφαλικής δραστηριότητας, που καθιστά δύσκολο να προβλεφθούν ακριβώς οι κρίσεις». Μέχρι τώρα, τα προηγούμενα μοντέλα πρόβλεψης κρίσεων «σε μια διπλή διαδικασία, όπου οι προτύπες εγκεφαλικής δραστηριότητας πρέπει να εξαχθούν χειροκίνητα και στη συνέχεια εφαρμόζεται ένα σύστημα ταξινόμησης», που, όπως εξηγεί ο Daoud, πρόσθεσε στον χρόνο που χρειαζόταν για να γίνει μια πρόβλεψη κρίσης.

Στην προσέγγισή τους, που εξηγείται σε μια μελέτη που δημοσιεύθηκε στις 24 Ιουλίου στο IEEE Transactions on Biomedical Circuits and Systems, «η εξαγωγή χαρακτηριστικών και η διαδικασία ταξινόμησης συνδυάζονται σε ένα ενιαίο αυτόματο σύστημα, το οποίο επιτρέπει νωρίτερη και πιο ακριβή πρόβλεψη κρίσεων».

Για να αυξήσουνさらに την ακρίβεια του συστήματος τους, οι Daoud και Bayoumi «ενσωμάτωσαν μια άλλη προσέγγιση ταξινόμησης, με την οποία ένα αλγόριθμο βαθιάς μάθησης εξάγει και αναλύει τα χωρο-χρονικά χαρακτηριστικά της εγκεφαλικής δραστηριότητας του ασθενή από διαφορετικές θέσεις ηλεκτροδίων, αυξάνοντας την ακρίβεια του μοντέλου τους».既然 «οι εγγραφές EEG μπορούν να περιλαμβάνουν πολλαπλά «κανάλια» ηλεκτρικής δραστηριότητας», για να επιταχύνουν τη διαδικασία πρόβλεψης ακόμη περισσότερο, οι δύο ερευνητές «εφαρμόζουν έναν επιπλέον αλγόριθμο για να αναγνωρίσουν τα πιο κατάλληλα προβλεπτικά κανάλια ηλεκτρικής δραστηριότητας».

Το πλήρες σύστημα δοκιμάστηκε σε 22 ασθενείς στο Νοσοκομείο Παιδιών της Βοστώνης. Αν και το δείγμα ήταν μικρό, το σύστημα αποδείχθηκε πολύ ακριβές (99,6%) και είχε «μια χαμηλή τάση για ψευδείς θετικές, σε 0,004 ψευδείς συναγερμούς ανά ώρα».

Όπως εξήγησε ο Daoud, το επόμενο βήμα θα ήταν η ανάπτυξη ενός εξατομικευμένου μικροεπεξεργαστή για την επεξεργασία των αλγορίθμων. «Εργαζόμαστε目前 στην σχεδίαση ενός αποτελεσματικού υλικού [συσκευής] που να εφαρμόζει αυτόν τον αλγόριθμο, λαμβάνοντας υπόψη πολλά ζητήματα όπως το μέγεθος του συστήματος, η κατανάλωση ενέργειας και η καθυστέρηση για να είναι κατάλληλο για πρακτική εφαρμογή με έναν άνετο τρόπο για τον ασθενή».