Een Nieuw AI-systeem Kan Meer Hoop Bieden Voor Mensen Met Epilepsie

Zoals Endgadget meldt, hebben twee AI-onderzoekers mogelijk een systeem ontwikkeld dat nieuwe hoop biedt voor mensen die lijden aan epilepsie – een systeem “dat epileptische aanvallen kan voorspellen met een nauwkeurigheid van 99,6 procent,” en dit tot een uur voordat de aanvallen plaatsvinden.

Dit zou niet de eerste nieuwe doorbraak zijn, aangezien onderzoekers aan de Technische Universiteit (TU) in Eindhoven, Nederland, eerder een slimme arm-band hadden ontwikkeld die epileptische aanvallen ‘s nachts kan voorspellen. Maar de nauwkeurigheid en de korte tijdspanne waarbinnen het nieuwe AI-systeem kan werken, zoals IEEE Spectrum opmerkt, biedt meer hoop voor ongeveer 50 miljoen mensen over de hele wereld die lijden aan epilepsie (gebaseerd op gegevens van World Health Organization). Van dit aantal patiënten kunnen 70 procent van hen hun aanvallen controleren met medicatie als deze op tijd wordt ingenomen.

Het nieuwe AI-systeem is ontwikkeld door Hisham Daoud en Magdy Bayoumi van de University of Louisiana at Lafayette, en wordt geprezen als “een grote stap vooruit ten opzichte van bestaande voorspellingsmethoden.” Zoals Hisham Daoud, een van de twee onderzoekers die het systeem hebben ontwikkeld, uitlegt, “Vanwege de onverwachte tijdstippen van aanvallen, heeft epilepsie een sterke psychologische en sociale invloed op patiënten.”

Zoals wordt uitgelegd, “elke persoon vertoont unieke hersenpatronen, waardoor het moeilijk is om aanvallen nauwkeurig te voorspellen.” Tot nu toe voorspelden de bestaande modellen aanvallen “in een tweestapsproces, waarbij de hersenpatronen handmatig moeten worden geëxtraheerd en vervolgens een classificatiesysteem wordt toegepast,” wat, zoals Daoud uitlegt, de tijd die nodig is om een aanval te voorspellen, verlengt.

In hun benadering, zoals beschreven in een studie die op 24 juli is gepubliceerd in IEEE Transactions on Biomedical Circuits and Systems, “zijn de processtappen voor kenmerkenextractie en classificatie samengevoegd in een enkel geautomatiseerd systeem, waardoor een vroegere en nauwkeurigere aanvalvoorspelling mogelijk wordt.”

Om de nauwkeurigheid van hun systeem verder te verhogen, hebben Daoud en Bayoumi “een andere classificatiebenadering toegepast, waarbij een deep learning-algoritme de ruimtelijk-temporele kenmerken van de hersenactiviteit van de patiënt vanuit verschillende elektrodelocaties extracteert en analyseert, waardoor de nauwkeurigheid van hun model wordt verhoogd.” Aangezien “EEG-gegevens meerdere ‘kanalen’ van elektrische activiteit kunnen omvatten,” hebben de twee onderzoekers om het voorspellingsproces nog verder te versnellen, “een extra algoritme toegepast om de meest geschikte voorspellende kanalen van elektrische activiteit te identificeren.”

Het complete systeem is vervolgens getest op 22 patiënten in het Boston Children’s Hospital. Hoewel de steekproefgrootte klein was, bleek het systeem zeer nauwkeurig te zijn (99,6%), en had het “een lage neiging tot valse positieven, met 0,004 valse alarmen per uur.”

Zoals Daoud uitlegt, zou de volgende stap de ontwikkeling zijn van een aangepaste computerchip om de algoritmen te verwerken. “We werken momenteel aan het ontwerp van efficiënte hardware [apparatuur] die deze algoritmen implementeert, waarbij we rekening houden met veel aspecten zoals systeemgrootte, energieverbruik en latentie om deze op een comfortabele manier voor de patiënt te kunnen toepassen.”