Uusi tekoälyjärjestelmä voi antaa toivoa epilepsiaa sairastaville

Kuten Endgadget raportoi, kaksi tekoälytutkijaa on mahdollisesti kehittänyt järjestelmän, joka antaa uutta toivoa epilepsiaa sairastaville – järjestelmän, joka “voi ennustaa epileptisiä kohtauksia 99,6-prosentin tarkkuudella” ja tehdä sen jopa tunnin ennen kohtauksia.

Tämä ei olisi ensimmäinen uusi edistysaskel, sillä aiemmin tutkijat Technical University (TU) -yliopistossa Eindhovenissa, Alankomaissa kehittivät älymäisen rannetukeen, joka voi ennustaa epileptisiä kohtauksia yöaikaan. Mutta uuden tekoälyjärjestelmän tarkkuus ja lyhyt aikajänne, jolla se voi toimia, antaa enemmän toivoa noin 50 miljoonalle ihmisen, jotka sairastavat epilepsiaa maailmanlaajuisesti (perustuen Maailman terveysjärjestön tietoihin). Tästä potilaiden määrästä 70 prosenttia voi hallita kohtauksiaan oikea-aikaisesti otettavalla lääkehoidolla.

Uusi tekoälyjärjestelmä kehitettiin Hisham Daoudin ja Magdy Bayoumin toimesta Louisianan yliopistossa Lafayetteissa, ja sitä ylistetään “merkittävänä edistysaskelena olemassa oleviin ennustemalliin verrattuna.” Hisham Daoud, yksi kahdesta tutkijasta, jotka kehittivät järjestelmän, selittää, “Epilepsian aiheuttamat odottamattomat kohtaukset ovat vahva psykologinen ja sosiaalinen vaikutus potilaisiin.”

Kuten selitetään, “jokainen henkilö näyttää ainutlaatuisia aivokuva-malleja, mikä tekee kohtauksien tarkan ennustamisen vaikeaksi.” Tähän asti olemassa olleet mallit ennustivat kohtauksia “kahdessa vaiheessa, jossa aivokuva-mallit on poimittava manuaalisesti ja sitten luokitussysteemi sovelletaan”, mikä, kuten Daoud selittää, lisäsi aikaa, joka tarvitaan kohtauksen ennustamiseen.

Heidän lähestymistapansa, josta kerrotaan tutkimuksessa, joka julkaistiin 24. heinäkuuta IEEE Transactions on Biomedical Circuits and Systems -julkaisussa, “piirteiden poiminta- ja luokitteluprosessit yhdistetään yhteen automaattiseen järjestelmään, joka mahdollistaa aikaisemman ja tarkan kohtauksen ennustamisen.”

Järjestelmänsä tarkkuuden lisäämiseksi Daoud ja Bayoumi “ottivat käyttöön toisen luokittelumallin, jossa syväoppimisalgoritmi poimii ja analysoi potilaan aivotoiminnan avaruus- ja aikaperspektiivin eri sähköden lokisaatiosta, mikä paransi heidän mallinsa tarkkuutta.” Koska “EEG-lukemat voivat sisältää useita ’kanavia’ sähkötoimintaa”, nopeuttaakseen ennusteprosessia entisestään, kaksi tutkijaa “sovelsivat lisäalgoritmin, joka tunnistaa ennusteen kannalta tärkeimmät sähkötoiminnan kanavat.”

Koko järjestelmä testattiin 22 potilaalla Bostonin lastensairaalassa. Vaikka otoskoko oli pieni, järjestelmä osoittautui erittäin tarkaksi (99,6%), ja sillä oli “alhainen taipumus väärään hälytys, 0,004 väärää hälytystä tunnissa.”

Kuten Daoud selitti, seuraava askel olisi räätälöidyn tietokonepiirin kehittäminen algoritmien prosessointiin. “Me työskentelemme parhaillaan tehokkaan laitteen suunnittelun parissa, joka käyttää tätä algoritmia, ja otamme huomioon useita ongelmia, kuten järjestelmän koon, virrankulutuksen ja viiveen, jotta se soveltuu käytännön soveltamiseen potilaalle mukavalla tavalla.”