Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην πρόληψη επιληπτικής κρίσης

18

ΕΛΛΑΔΑ

Σύμφωνα με τον Παγκόσμιο Οργανισμό Υγείας περίπου 50 εκατομμύρια άνθρωποι σε όλο τον κόσμο έχουν σήμερα επιληψία και το 70% αυτών των ασθενών μπορεί να ελέγξει τις κρίσεις τους με φαρμακευτική αγωγή.
Το πρόβλημα είναι ότι πολλοί ασθενείς δεν είναι σε θέση να καταλάβουν πότε μπαίνουν στην προκαταρκτική φάση, την περίοδο δηλαδή, αμέσως πριν εμφανιστεί μια κρίση. Δύο ερευνητές από το Πανεπιστήμιο της Λουιζιάνα ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που μπορεί να προβλέψει τις επιληπτικές κρίσεις κατά 99,6%.
Ο καθηγητής Magdy Bayoumi και ο ερευνητής Hisham Daoud, ανέπτυξαν τέσσερα μοντέλα βασισμένα στην τεχνολογία της μηχανικής μάθησης, με σκοπό την έγκαιρη και ακριβή πρόβλεψη κρίσης επιληψίας. Τα συστήματα μηχανικής μάθησης βασίζονται ουσιαστικά σε δεδομένα κι όσο περισσότερο τα τροφοδοτούμε τόσο το καλύτερο για την εκπαίδευση και τα αποτελέσματα. Όμως, η συχνότητα, ο χρόνος πρόβλεψης πριν την έναρξη, η διάρκεια και η σχετική ένταση μιας κρίσης, μπορεί να ποικίλλουν σε μεγάλο βαθμό ​​από ασθενή σε ασθενή. Αυτό σημαίνει ότι δεν μπορούμε να χρησιμοποιήσουμε ένα σύνολο δεδομένων γενικής χρήσης για τη δημιουργία ενός συστήματος ανίχνευσης κρίσεων για κάθε ασθενή. Έτσι, οι ερευνητές χρησιμοποιούν παλιά αρχεία κρανιακών εγκεφαλικών εξετάσεων ενός ατόμου για να αναπτύξουν ένα είδος βασικής γραμμής για την εγκεφαλική δραστηριότητα πριν, κατά τη διάρκεια και μετά από επιληπτικές κρίσεις.
 
Οι ερευνητές έχουν στρέψει τώρα την προσοχή τους στην ανάπτυξη του κατάλληλου εξοπλισμού και ολοκληρωμένων κυκλωμάτων για την πλήρη εφαρμογή του συστήματος της τεχνητής νοημοσύνης ως βιώσιμη λύση για την ανίχνευση επιληπτικής κρίσης.
Ένα γαλλικό startup αναπτύσσει μια φορητή συσκευή για την πρόβλεψη
Σύμφωνα με το εθνικό ινστιτούτο υγείας και ιατρικής επιστήμης της Γαλλίας (Inserm), 600 000 άτομα, από τα οποία τα μισά είναι παιδιά, υποφέρουν από επιληψία. Επιπλέον, το ένα τρίτο των ασθενών εξακολουθεί να μην ανταποκρίνεται σε καμία θεραπεία. Το Γαλλικό startup Verteego που ειδικεύεται στη μηχανική μάθηση, ξεκίνησε την προηγούμενη εβδομάδα, ένα ερευνητικό πρόγραμμα πενταετούς διάρκειας και κόστους 400.000 ευρώ, με τίτλο «Predilepsy». Στο πλαίσιο του προγράμματος είναι και η ανάπτυξη μιας φορητής συσκευής ικανής να προβλέψει πότε θα συμβεί μια κρίση με μεγαλύτερη ακρίβεια και έτσι να προειδοποιήσει τον ασθενή και την οικογένειά του.
Στο πρόγραμμα αυτό συμμετέχουν ιδιωτικοί και δημόσιοι φορείς όπως είναι το Constellation, το Emotic, το Explore, το Inserm, το Πανεπιστημιακό Νοσοκομειακό Κέντρο της Ρεν και το Νοσοκομείο Necker. Εκτός από την έρευνα, το startup αναπτύσσει ανοιχτό κώδικα με στόχο να συγκεντρώσει μια κοινότητα επιστημόνων δεδομένων που συνεργάζονται για τη δημιουργία ελεύθερων αλγορίθμων.
«Αρχικά, θα εργαστούμε πάνω στους αλγόριθμους πρόβλεψης κρίσεων κατά τη διάρκεια των οποίων, οι ασθενείς δεν μπορούν ούτε να μιλήσουν ούτε να καταγράψουν νέες πληροφορίες», εξηγεί ο Rupert Schiessl, Διευθύνων Σύμβουλος του Verteego. «Υπάρχουν ήδη πολλές μελέτες που έχουν αναπτύξει αλγόριθμους που είναι σε θέση να προβλέψουν λίγο πολύ με ακρίβεια την εμφάνιση μιας επιληπτικής κρίσης. Όμως, αυτοί οι αλγόριθμοι δημιουργήθηκαν με βάση τα δεδομένα που προέρχονται από κλινικό περιβάλλον χάρη στα ηλεκτροεγκεφαλογραφήματα και προέρχονται από νοσοκομειακό περιβάλλον, μακριά από τις πραγματικές συνθήκες διαβίωσης των ασθενών. Αυτό που θέλουμε να κάνουμε, είναι να αναπτύξουμε αλγόριθμους οι οποίοι θα μπορούν να καταγράφουν σήματα από ένα μόνο κανάλι ώστε να είναι πιο διακριτικοί», λέει ο Rupert Schiessl.
Πρόβλεψη επιληπτικών κρίσεων μετά την χειρουργική επέμβαση
Ομάδα νευρολόγων του Ιατρικού Πανεπιστημίου της Νότιας Καρολίνα (MUSC) ανέπτυξε μια νέα μέθοδο μέσω της τεχνητής νοημοσύνης, που μπορεί να βοηθήσει τόσο τους ασθενείς όσο και τους γιατρούς, να σταθμίσουν τα υπέρ και τα κατά μιας χειρουργικής επέμβασης στον εγκέφαλο σε περίπτωση επιληψίας. Ο Leonardo Bonilha και η ομάδα του στο Τμήμα Νευρολογίας του MUSC μελετά ποιοι ασθενείς είναι πιθανό να μην έχουν κρίσεις επιληψίας μετά τη χειρουργική επέμβαση. Σήμερα, μια τέτοια γνωμάτευση γίνεται με βάση μια σειρά κλινικών μεταβλητών που περιλαμβάνουν την ερμηνεία ακτινολογικών μελετών. Αυτη η μέθοδος προβλέπει μόνο κατά 50 με 70% την μετεγχειρητική πορεία των ασθενών. Επιπλέον, πολλοί ασθενείς διστάζουν να υποβληθούν σε χειρουργική επέμβαση, καθώς μόνο τα δύο τρίτα ζει χωρίς να υποφέρει από επιληπτικές κρίσεις ένα χρόνο μετά την επέμβαση.
Οι ερευνητές προσπάθησαν να ενσωματώσουν προηγμένες τεχνικές νευροαπεικόνισης και μεθόδους για την πρόβλεψη χειρουργικών αποτελεσμάτων στη θεραπεία επιληπτικών κρίσεων. Για να γίνει αυτό, η ομάδα χρησιμοποίησε μηχανική εκμάθηση, λόγω της τεράστιας ποσότητας των δεδομένων που απαιτείται για την έρευνα αυτή. Επιπλέον, οι φυσικές συνδέσεις του εγκεφάλου είναι πολύ εξατομικευμένες και έτσι είναι δύσκολο να ανιχνευτούν μοτίβα σε πολλαπλούς ασθενείς. Η τεχνολογία της βαθιάς εκμάθησης μπορεί να απομονώσει τα μοτίβα με μια πιο στατιστικά αξιόπιστη μέθοδο, προκειμένου να δώσει μια πιο ακριβή πρόβλεψη. Η τεχνολογία βαθιάς μάθησης που ανέπτυξαν οι νευρολόγοι του πανεπιστημίου MUSC ήταν από 79 έως 88% ακριβής.
ΠΗΓΕΣ: Thenextweb, UsineDigitale, Technologynetworks.
 
 
 
 
 
 
 www.ert.gr