Η μέθοδος αυτοματοποιημένης ανάλυσης των επιληπτικών κρίσεων αναπτύχθηκε από τους επιστήμονες του Βαλτικού Ομοσπονδιακού Πανεπιστημίου. Κατά τη γνώμη τους, σε αντίθεση με τα υπάρχοντα συστήματα, η νέα προσέγγιση λαμβάνει υπόψη τα χαρακτηριστικά των «ακατέργαστων» κλινικών δεδομένων και επιτρέπει την γρήγορη διάγνωση στον ασθενή. Η μελέτη δημοσιεύεται στο περιοδικό The European Physical Journal Special Topics.
Η επιληψία είναι μια χρόνια νευρολογική ασθένεια που εκδηλώνεται με την προδιάθεση του οργανισμού για την αιφνίδια εμφάνιση σπασμωδικών κρίσεων. Σύμφωνα με τον ΠΟΥ, η επιληψία είναι μια από τις πιο συχνές νευρολογικές ασθένειες στον κόσμο, επηρεάζοντας περίπου 50 εκατομμύρια ανθρώπους. Έως και το 70% των ατόμων με επιληψία μπορούν να ζήσουν χωρίς επιληπτικές κρίσεις εάν διαγνωστούν και θεραπευτούν σωστά.
Ένα από τα βασικά καθήκοντα στη διάγνωση της επιληψίας είναι ο προσδιορισμός του τύπου της κρίσης και των αιτιών της. Συνήθως, για τον σκοπό αυτό, ο ασθενής πρέπει να υποβληθεί σε μακρά (έως και αρκετές ημέρες) παρακολούθηση σε νοσοκομείο, κατά τη διάρκεια της οποίας καταγράφεται η εγκεφαλική δραστηριότητα με τη χρήση ηλεκτροεγκεφαλογραφήματος. Στη συνέχεια, ο γιατρός αρχίζει να αναλύει τα δεδομένα που λαμβάνονται, εντοπίζοντας χειροκίνητα τα σημάδια της επιληψίας, γεγονός που απαιτεί σημαντικό χρόνο και μπορεί να επηρεάσει σημαντικά την αντικειμενικότητα των αποτελεσμάτων.
Οι επιστήμονες του Ομοσπονδιακού Πανεπιστημίου Immanuel Kant της Βαλτικής (BFU) πρότειναν μια νέα προσέγγιση για τη διάγνωση της επιληψίας που βασίζεται στη χρήση ενός συστήματος καταρράκτη που συνδυάζει την τεχνητή νοημοσύνη (AI) και τη γνώση των ειδικών για τη φυσιολογία της επιληψίας. Σύμφωνα με τους ίδιους, η μέθοδος αυτή μπορεί να βελτιώσει σημαντικά την ακρίβεια της ανίχνευσης επιληπτικών κρίσεων σε ηλεκτροεγκεφαλογραφήματα.
«Η ανάπτυξη πραγματοποιεί μια προκαταρκτική ανάλυση της καταγραφής, επισημαίνοντας περιοχές που ενδέχεται να περιέχουν επιληπτικές κρίσεις. Στη συνέχεια, ο γιατρός εξετάζει τις περιοχές που επισημαίνονται από το σύστημα, επιβεβαιώνοντας ή αντικρούοντας τα συμπεράσματά του », δήλωσε ο Βαντίμ Γκρουμπόφ, ανώτερος ερευνητής στο Βαλτικό Κέντρο Νευροτεχνολογίας και Τεχνητής Νοημοσύνης του Ομοσπονδιακού Πανεπιστημίου της Βαλτικής I. Kant.
Παράλληλα, εξέφρασε την άποψη ότι χάρη σε έναν τέτοιο συνδυασμό αυτόματης ανάλυσης και αξιολόγησης από εμπειρογνώμονες του γιατρού, είναι δυνατόν να επιτευχθεί υψηλή διαγνωστική ακρίβεια με σημαντική μείωση του χρόνου μελέτης (έως και 90-95%).
Οι συγγραφείς της μελέτης πιστεύουν ότι τα αποτελέσματα που προέκυψαν μπορούν να διευκολύνουν το έργο των επιληπτολόγων και να βρουν εφαρμογή στην κλινική πρακτική στο πλαίσιο των συστημάτων υποστήριξης ιατρικών αποφάσεων (DSSSS). Όπως σημειώνεται στην υπηρεσία Τύπου του BFU, το πλεονέκτημα της ανάπτυξης των επιστημόνων είναι ότι το σύστημα εκπαιδεύτηκε σε πραγματικά και κατά το μέγιστο «ακατέργαστα» κλινικά δεδομένα. Αυτό, σύμφωνα με τους ειδικούς, αυξάνει σημαντικά την αξιοπιστία του στην πρακτική εφαρμογή. Κατά την ανάπτυξη του συστήματος λήφθηκαν υπόψη τα χαρακτηριστικά των επιληπτικών κρίσεων, οι γνώσεις σχετικά με τη λειτουργία του εγκεφάλου και τις διάφορες διεργασίες που συμβαίνουν σε αυτόν.
Όπως δήλωσε ο Βαντίμ Γκρουμπόφ:
Άλλοι ερευνητές επιδιώκουν συχνά την πλήρη αυτοματοποίηση της διάγνωσης της επιληψίας με τη χρήση μηχανικής μάθησης, δημιουργώντας συστήματα που μπορούν να αντικαταστήσουν τον γιατρό. Ωστόσο, η ποικιλία των εκδηλώσεων της επιληψίας και τα περιορισμένα δεδομένα εκπαίδευσης, τα οποία συχνά αντιπροσωπεύουν «εξιδανικευμένα» εργαστηριακά δεδομένα, οδηγούν σε ανεπαρκή αξιοπιστία τέτοιων συστημάτων σε πραγματικές κλινικές συνθήκες.
Επιπλέον, κατά τη γνώμη του, η πολυπλοκότητα της ερμηνείας των μοντέλων μηχανικής μάθησης εμποδίζει την ευρεία χρήση τους στην ιατρική, όπου η διαφάνεια της λήψης αποφάσεων αποτελεί κρίσιμο παράγοντα.
Στη μελέτη χρησιμοποιήθηκαν μέθοδοι βαθιάς μάθησης, δηλαδή νευρωνικά δίκτυα συνελικτικής μάθησης, τα οποία χρησιμοποιούνται ευρέως για την ταξινόμηση εικόνων.
Σε αυτό το στάδιο, οι επιστήμονες βρίσκονται αντιμέτωποι με το καθήκον να δοκιμάσουν άλλες προσεγγίσεις στο πλαίσιο της μηχανικής μάθησης, οι οποίες μπορούν ενδεχομένως να βελτιώσουν την ποιότητα της ανίχνευσης των επιληπτικών κρίσεων της επιληψίας. Προβλέπεται επίσης να δοκιμαστεί η προτεινόμενη μέθοδος σε μεγάλο όγκο κλινικών δεδομένων και να αναπτυχθεί ένα DSSR με βάση αυτό.
Οι εργασίες πραγματοποιήθηκαν στο πλαίσιο του προγράμματος «Προτεραιότητα 2030».
