Ett nytt AI-system kan skapa mer hopp för personer med epilepsi

Som Endgadget rapporterar, kan två AI-forskare ha skapat ett system som skapar nytt hopp för personer som lider av epilepsi – ett system “som kan förutsäga epileptiska anfall med 99,6-procentig noggrannhet,” och göra det upp till en timme före anfallen inträffar.

Detta vore inte den första nya framstegen, eftersom forskare tidigare vid Technical University (TU) i Eindhoven, Nederländerna, utvecklat en smart armband som kan förutsäga epileptiska anfall under natten. Men den noggrannhet och det korta tidsintervallet som det nya AI-systemet kan arbeta med, som IEEE Spectrum noterar, ger mer hopp till cirka 50 miljoner människor runt om i världen som lider av epilepsi (baserat på data från Världshälsoorganisationen). Av denna patientgrupp kan 70 procent kontrollera sina anfall med medicin om de tas i tid.

Det nya AI-systemet skapades av Hisham Daoud och Magdy Bayoumi vid University of Louisiana at Lafayette, och beskrivs som “ett stort steg framåt från befintliga förutsägelsemetoder.” Som Hisham Daoud, en av de två forskarna som utvecklat systemet, förklarar, “På grund av oväntade anfallstider har epilepsi en stark psykologisk och social effekt på patienterna.”

Som förklaras, “varje person visar unika hjärnmönster, vilket gör det svårt att förutsäga anfall med noggrannhet.” Hittills har de tidigare existerande modellerna förutspått anfall “i en tvåstegsprocess, där hjärnmönstren måste extraheras manuellt och sedan tillämpas en klassificeringsystem,” vilket, som Daoud förklarar, tillade till den tid som behövdes för att göra en anfallsprediktion.

I deras tillvägagångssätt, som förklaras i en studie publicerad den 24 juli i IEEE Transactions on Biomedical Circuits and Systems, “kombineras funktionsextraherings- och klassificeringsprocesserna till ett enda automatiserat system, som möjliggör tidigare och mer exakt anfallsprediktion.”

För att ytterligare förbättra systemets noggrannhet inkorporerade Daoud och Bayoumi “en annan klassificeringsmetod, där en djupinlärningsalgoritm extraherar och analyserar patientens hjärnaktivitet från olika elektrodplatser, vilket förbättrar modellens noggrannhet.” Eftersom “EEG-läsningar kan innehålla flera ‘kanaler’ av elektrisk aktivitet,” för att påskynda prediktionen ännu mer, tillämpade de två forskarna “en ytterligare algoritm för att identifiera de mest lämpliga prediktiva kanalerna av elektrisk aktivitet.”

Det kompletta systemet testades sedan på 22 patienter vid Boston Children’s Hospital. Även om urvalsstorleken var liten, visade sig systemet vara mycket noggrant (99,6%), och hade “en låg benägenhet för falska positiva, med 0,004 falska larm per timme.”

Som Daoud förklarade skulle nästa steg vara utvecklingen av en anpassad datorchip för att bearbeta algoritmerna. “Vi arbetar för närvarande med designen av effektiv hårdvara som distribuerar denna algoritm, med hänsyn till många frågor som systemstorlek, effektförbrukning och latens för att vara lämplig för praktisk tillämpning på ett bekvämt sätt för patienten.”