Et nytt AI-system kan skape mer håp for mennesker med epilepsi

Som Endgadget rapporterer, kan to AI-forskere ha skapt et system som skaper nytt håp for mennesker som lider av epilepsi – et system “som kan forutsi epileptiske anfall med 99,6-prosent nøyaktighet,” og gjøre det opp til en time før anfallene inntrer.

Dette ville ikke være den første nye fremgangen, siden forskere ved Technical University (TU) i Eindhoven, Nederland, tidligere utviklet en smart armring som kan forutsi epileptiske anfall om natten. Men nøyaktigheten og den korte tidsrammen det nye AI-systemet kan fungere på, som IEEE Spectrum bemerker, gir mer håp til rundt 50 millioner mennesker rundt om i verden som lider av epilepsi (basert på data fra Verdens helseorganisasjon). Av denne antallet pasienter kan 70 prosent av dem kontrollere anfallene med medisiner hvis de tas i tide.

Det nye AI-systemet ble skapt av Hisham Daoud og Magdy Bayoumi fra University of Louisiana at Lafayette, og blir rost som “et stort sprang fremover fra eksisterende forutsigelsesmetoder.” Som Hisham Daoud, en av de to forskerne som utviklet systemet, forklarer, “På grunn av uventede anfallstider, har epilepsi en sterk psykologisk og sosial effekt på pasientene.”

Som forklart, “hver person viser unike hjernemønster, som gjør det vanskelig å forutsi anfall nøyaktig.” Hittil har de eksisterende modellene forutsatt anfall “i en to-trinns prosess, der hjernemønster må trekkes ut manuelt og deretter en klassifiseringsystem blir brukt,” som Daoud forklarer, la til tiden det tok å gjøre en anfallforutsigelse.

I deres tilnærming, som er forklart i en studie publisert den 24. juli i IEEE Transactions on Biomedical Circuits and Systems, “er funksjonsuttrekk og klassifiseringsprosesser kombinert i ett enkelt automatisert system, som muliggjør tidligere og mer nøyaktig anfallforutsigelse.”

For å ytterligere forbedre nøyaktigheten av deres system, inkorporerte Daoud og Bayoumi “en annen klassifiseringsmetode hvor en dyptlæring salgoritme trekker ut og analyserer de romlige-tidslige funksjonene av pasientens hjernaktivitet fra forskjellige elektrodelplasseringer, og forbedrer nøyaktigheten av deres modell.” Ettersom “EEG-lesninger kan inneholde flere ‘kanaler’ av elektrisk aktivitet,” for å akselerere forutsigelsesprosessen enda mer, anvendte de to forskerne “en ytterligere algoritme for å identifisere de mest passende prediktive kanalene av elektrisk aktivitet.”

Det fullstendige systemet ble deretter testet på 22 pasienter ved Boston Children’s Hospital. Mens prøvestørrelsen var liten, viste systemet seg å være svært nøyaktig (99,6%), og hadde “en lav tendens til falske positive, med 0,004 falske alarmer per time.”

Som Daoud forklarte, ville neste skritt være utviklingen av en tilpasset datachip for å prosessere algoritmene. “Vi jobber for tiden med designet av effektivt hardware [enhet] som setter i drift denne algoritmen, og tar i betraktning mange problemer som systemstørrelse, strømforbruk og latency for å være egnet for praktisk anvendelse på en komfortabel måte for pasienten.”