Epilepsi Hastaları İçin Yeni Bir Umut Yaratabilecek Yeni Bir AI Sistemi

Endgadget’in haberine göre, iki AI araştırmacısı epilepsi hastaları için yeni bir umut yaratabilecek bir sistem geliştirmiş olabilir – “nöbetleri %99,6’lık bir doğrulukla tahmin edebilen” ve nöbetlerden önce bir saate kadar önceden uyarı verebilen bir sistem.

Bu, ilk yeni gelişme olmayacak, çünkü daha önce Hollanda’nın Eindhoven kentindeki Teknik Üniversitesi’ndeki (TU) araştırmacılar, gece boyunca nöbetleri tahmin edebilen bir akıllı kol bandı geliştirmişlerdi. Ancak, IEEE Spectrum’un da belirttiği gibi, yeni AI sisteminin doğruluğu ve kısa zaman çerçevesi, dünya çapında yaklaşık 50 milyon epilepsi hastasına (Dünya Sağlık Örgütü’nden alınan verilere dayanarak) daha fazla umut veriyor. Bu hasta sayısının %70’i, zamanında alınan ilaçlarla nöbetlerini kontrol edebilir.

Yeni AI sistemi, Louisiana Üniversitesi’nden Hisham Daoud ve Magdy Bayoumi tarafından geliştirildi ve “mevcut tahmin yöntemlerinden büyük bir ilerleme” olarak övülüyor. Sistemi geliştiren iki araştırmacidan biri olan Hisham Daoud, “Beklenmedik nöbet zamanları nedeniyle, epilepsi hastaları üzerinde güçlü bir psikolojik ve sosyal etki yaratıyor” diyor.

Açıklamaya göre, “her kişinin benzersiz beyin kalıpları vardır, bu da nöbetleri doğru bir şekilde tahmin etmeyi zorlaştırır.” Şimdiye kadar, önceki modeller nöbetleri “iki aşamalı bir süreçte tahmin etti, burada beyin kalıpları elle çıkarılması gerekiyordu ve sonra bir sınıflandırma sistemi uygulanıyordu”, ki Daoud’un da açıkladığı gibi, bu, nöbet tahmini için gereken süreyi uzatıyordu.

Onların yaklaşımını 24 Temmuz’da bir çalışmada yayımladıkları IEEE Transactions on Biomedical Circuits and Systems dergisinde açıkladıkları gibi, “özellik çıkarma ve sınıflandırma süreçleri tek bir otomatik sisteme entegre edildi, bu da daha erken ve daha doğru nöbet tahmini sağlar.”

Sistemlerinin doğruluğunu daha da artırmak için Daoud ve Bayoumi, “bir derin öğrenme algoritmasının hastanın beyin aktivitesinin farklı elektrot konumlarından uzaysal-zamansal özelliklerini çıkarması ve analiz etmesi için başka bir sınıflandırma yaklaşımı uyguladılar, bu da modelin doğruluğunu artırdı.” Çünkü “EEG okumaları birden fazla ‘kanal’ elektriksel aktivite içerebilir”, tahmini süreci daha da hızlandırmak için, iki araştırmacı “elektriksel aktivitenin en uygun öngörücü kanallarını belirlemek için ek bir algoritma uyguladılar.”

Tam sistem Boston Çocuk Hastanesi‘ndeki 22 hasta üzerinde test edildi. Örneklem küçüktü, ancak sistem çok doğru (%99,6) çıktı ve “saat başına 0,004 yanlış alarm” ile düşük yanlış pozitif eğilim gösterdi.

Daoud, bir sonraki adımın algoritmaları işleyecek özel bir bilgisayar çipi geliştirmek olacağını açıkladı. “Şu anda, bu algoritmayı uygulayan verimli bir donanım [cihaz] tasarlıyoruz ve sistemi pratik bir şekilde hastaya uygun hale getirmek için sistem boyutu, güç tüketimi ve gecikme gibi birçok sorunu dikkate alıyoruz.”