Эпилептические припадки возникают без особого предупреждения, и почти треть людей, живущих с эпилепсией, не поддаются лечению, которое контролирует эти приступы. Более 65 миллионов человек во всем мире страдают эпилепсией.
Теперь исследователи из Сиднейского университета с помощью передового искусственного интеллекта и машинного обучения разработали обобщенный метод прогнозирования приступов, не требующий хирургических имплантатов.
Доктор. Омид Кавехей из факультета инженерии и информационных технологий и Института нано Сиднейского университета сказал: "Мы находимся на пути к разработке доступного, портативного и нехирургического устройства, которое обеспечит надежное прогнозирование приступов у людей, живущих с устойчивой к лечению эпилепсией."
В статье, опубликованной в этом месяце в Neural Networks, доктор. Кавехи и его команда предложили обобщенный, ориентированный на пациента метод прогнозирования приступов, который может предупредить страдающих эпилепсией в течение 30 минут о вероятности приступа.
Доктор. Кавехи сказал, что в области искусственного интеллекта, а также микро- и наноэлектроники были достигнуты значительные успехи, которые позволили разработать такие системы.
"Всего четыре года назад невозможно было обработать сложный ИИ с помощью небольших электронных микросхем. Теперь он полностью доступен. Через пять лет возможности будут огромными," Доктор. Кавехей сказал.
В исследовании используются три набора данных из Европы и США. Используя эти данные, команда разработала алгоритм прогнозирования с чувствительностью до 81.4 процента и уровень ложных предсказаний всего 0.06 час.
"Хотя это все еще оставляет некоторую неопределенность, мы ожидаем, что по мере расширения нашего доступа к данным об изъятиях наши показатели чувствительности улучшатся," Доктор. Кавехей сказал.
Кэрол Айрлэнд, исполнительный директор Epilepsy Action Australia, сказала: "Жизнь в условиях постоянной неопределенности значительно увеличивает тревогу у людей с эпилепсией и их семей, никогда не зная, когда может произойти следующий приступ.
"Даже люди с хорошо контролируемой эпилепсией выражают свою постоянную озабоченность, не зная, испытают ли они приступ на работе, в школе, в путешествии или в компании друзей и когда это сделают.
"Любой прогресс в направлении надежного прогнозирования приступов существенно повлияет на качество жизни и свободу выбора людей, живущих с эпилепсией."
Доктор. Кавехи и ведущий автор исследования Нхан Дуй Чыонг использовали методы глубокого машинного обучения и интеллектуального анализа данных для разработки динамического аналитического инструмента, который может считывать данные электроэнцефалограммы пациента или ЭЭГ, данные с носимого колпачка или другого портативного устройства для сбора данных ЭЭГ.
Носимые устройства могут быть подключены к доступному устройству на основе общедоступной технологии Raspberry Pi, которая может дать пациенту 30-минутное предупреждение и процентную вероятность припадка.
Тревога срабатывает за 30–5 минут до начала припадка, давая пациентам время найти безопасное место, уменьшить стресс или инициировать стратегию вмешательства для предотвращения или контроля припадка.
Доктор. Кавехи сказал, что преимущество их системы в том, что вряд ли потребуется одобрение регулирующих органов и она может легко работать с существующими имплантированными системами или медицинскими процедурами.
Алгоритм, который доктор. Kavehei и его команда могут создавать оптимизированные функции для каждого пациента. Они делают это с помощью так называемой «сверточной нейронной сети», которая хорошо приспособлена к обнаружению изменений в активности мозга на основе показаний ЭЭГ.
Другие разрабатываемые технологии обычно требуют хирургических имплантатов или полагаются на высокий уровень проектирования функций для каждого пациента. Такая инженерия требует от эксперта разработки оптимизированных функций для каждой задачи прогнозирования.
Преимущество Dr. Методология Кавехи заключается в том, что система обучается по мере изменения мозговых паттернов, что требует минимальной функциональной инженерии. Это позволяет быстрее и чаще обновлять информацию, давая пациентам максимальную пользу от алгоритма прогнозирования приступов.
Следующим шагом для команды является применение нейронных сетей к гораздо большим наборам данных об изъятиях, повышая чувствительность. Они также планируют разработать физический прототип для клинического тестирования системы с партнерами в медицинском кампусе Уэстмидского университета Сиднея.