Nowy system sztucznej inteligencji może dać więcej nadziei osobom chorym na padaczkę

As Końcowy gadżet doniesień, dwóch badaczy sztucznej inteligencji mogło stworzyć system, który stwarza nową nadzieję dla osób cierpiących na epilepsję – system „które potrafią przewidzieć napady padaczkowe z 99.6% dokładnością” i zrobić to nawet na godzinę przed wystąpieniem napadu.

Nie byłoby to pierwsze nowe osiągnięcie, ponieważ wcześniej badacze z Politechniki (TU) w Eindhoven w Holandii opracowali inteligentną bransoletkę na ramię, która może przewidywać napady padaczkowe w nocy. Ale dokładność i krótkie ramy czasowe, w których nowy system AI może działać, są równie wysokie IEEE Spectrum notatki, daje więcej nadziei wokół Na padaczkę choruje 50 milionów ludzi na całym świecie (na podstawie danych z Światowa Organizacja Zdrowia). Z tej liczby pacjentów 70 procent może opanować napady za pomocą leków, jeśli zostaną przyjęte na czas.

Nowy system sztucznej inteligencji został stworzony przez Hishama Daouda i Magdy Bayoumi z Uniwersytetu Luizjany w Lafayette i jest chwalony jako „duży krok naprzód w stosunku do istniejących metod przewidywania”. Jak wyjaśnia Hisham Daoud, jeden z dwóch badaczy, którzy opracowali system: „Ze względu na nieoczekiwany czas napadów padaczka wywiera silny wpływ psychologiczny i społeczny na pacjentów”.

Jak wyjaśniono: „każda osoba wykazuje unikalne wzorce mózgowe, co utrudnia dokładne przewidywanie napadów”. Jak dotąd istniejące modele przewidywały napady „w dwuetapowym procesie, podczas którego należy ręcznie wyodrębnić wzorce mózgowe, a następnie zastosować system klasyfikacji”, co – jak wyjaśnia Daoud – dodaje się do czasu potrzebnego na przewidzenie napadów. .

W swoim podejściu wyjaśniono w a „The Puzzle of Monogamous Marriage”  opublikowany 24 lipca w Transakcje IEEE dotyczące obwodów i systemów biomedycznych„procesy ekstrakcji cech i klasyfikacji są połączone w jeden zautomatyzowany system, który umożliwia wcześniejsze i dokładniejsze przewidywanie zajęcia”.

Aby jeszcze bardziej zwiększyć dokładność swojego systemu Daoud i Bayoumi „uwzględniło inne podejście klasyfikacyjne, w ramach którego algorytm głębokiego uczenia się wyodrębnia i analizuje przestrzenno-czasowe cechy aktywności mózgu pacjenta z różnych lokalizacji elektrod, zwiększając dokładność ich modelu”. Ponieważ „odczyty EEG mogą obejmować wiele „kanałów” aktywności elektrycznej”, aby jeszcze bardziej przyspieszyć proces przewidywania, obaj badacze „zastosowali dodatkowy algorytm w celu zidentyfikowania najodpowiedniejszych kanałów predykcyjnych aktywności elektrycznej”.

Następnie cały system przetestowano na 22 pacjentach na Szpital Dziecięcy w Bostonie. Chociaż wielkość próbki była niewielka, system okazał się bardzo dokładny (99.6%) i miał „niską tendencję do uzyskiwania fałszywych alarmów – 0.004 fałszywych alarmów na godzinę”.

Jak wyjaśnił Daoud, następnym krokiem będzie opracowanie dostosowanego do indywidualnych potrzeb chipa komputerowego do przetwarzania algorytmów.  „Obecnie pracujemy nad projektem wydajnego sprzętu [urządzenia], który wdraża ten algorytm, biorąc pod uwagę wiele kwestii, takich jak rozmiar systemu, zużycie energii i opóźnienia, aby nadawał się do praktycznego zastosowania w sposób wygodny dla pacjenta”.