Βρείτε μας στο Google News. Πατήστε εδώ!Μια μελέτη του Πανεπιστημίου του Σινσινάτι διαπίστωσε ότι τα μοντέλα μηχανικής μάθησης μπορούν να βοηθήσουν στον αυτοματισμό και τον εντοπισμό της μη φυσιολογικής εγκεφαλικής δραστηριότητας που μερικές φορές αναφέρεται ως «τσουνάμι του εγκεφάλου». Ο Jed Hartings, Ph.D. από το UC, είναι ο αντίστοιχος συγγραφέας της μελέτης που δημοσιεύτηκε στις 12 Μαρτίου στο περιοδικό Scientific Reports και περιγράφει λεπτομερώς πώς η αυτοματοποίηση μπορεί να βοηθήσει τους κλινικούς γιατρούς που θεραπεύουν ασθενείς με εξάπλωση εκπόλωσης (SDs).
Ο Hartings είπε ότι οι ΣΔ πιστεύεται ότι εμφανίζονται σε ασθενείς με σχεδόν οποιοδήποτε τύπο οξείας εγκεφαλικής βλάβης, συμπεριλαμβανομένων διαφορετικών ειδών εγκεφαλικών επεισοδίων και τραυματικών εγκεφαλικών κακώσεων (TBI). Περίπου το 60% έως 100% όλων των ασθενών σε αυτές τις διαφορετικές κατηγορίες ασθενειών πιστεύεται ότι εμφανίζουν ΣΔ. Ακριβώς όπως μια μπαταρία, τα εγκεφαλικά κύτταρα έχουν ένα αποθηκευμένο ή πολωμένο φορτίο που τους επιτρέπει να στέλνουν σήματα το ένα στο άλλο.
Κατά τη διάρκεια της ΣΔ, τα εγκεφαλικά κύτταρα αποπολώνονται και δεν μπορούν να στείλουν αυτά τα ηλεκτρικά σήματα, κάτι που ο Χάρτινγκς είπε ότι ουσιαστικά μετατρέπει τα εγκεφαλικά κύτταρα σε μια «μεγάλη σακούλα αλμυρού νερού που δεν είναι πλέον λειτουργική». «Αυτό συμβαίνει μαζικά σε μια τοπική περιοχή ιστού και στη συνέχεια απλώνεται σαν κύμα, σαν κυματισμοί σε μια λίμνη, και διακόπτει κάθε πτυχή της κυτταρικής λειτουργίας», δήλωσε ο Hartings, καθηγητής και αντιπρόεδρος έρευνας στο Τμήμα Νευροχειρουργικής στο Ιατρικό Κολλέγιο του UC.
Λεπτομέρειες και αποτελέσματα μελέτης
Η έρευνα έχει επικεντρωθεί σε ασθενείς στους οποίους τοποθετήθηκε χειρουργικά μια λωρίδα ηλεκτροδίου στον εγκέφαλο για την παρακολούθηση των ΣΔ. Οι γιατροί πρέπει επίσης να λαμβάνουν ειδική εκπαίδευση σχετικά με την ανάγνωση των εγγραφών των εγκεφαλικών κυμάτων, ώστε να μπορούν να παρακολουθούν συνεχώς τα δεδομένα. “Αυτό είναι χρονοβόρο και δαπανηρό, και λίγοι γιατροί έχουν την εξαιρετικά εξειδικευμένη τεχνογνωσία για να διαγνώσουν αξιόπιστα ΣΔ”, είπε ο Χάρτινγκς.
«Ως εκ τούτου, θέλαμε να αυτοματοποιήσουμε τη διάγνωση SD για να κάνουμε αυτή την παρακολούθηση πιο προσιτή και ευρέως διαθέσιμη». Ο Hartings και οι συνεργάτες του χρησιμοποίησαν περισσότερες από 2.000 ώρες δεδομένων παρακολούθησης του εγκεφάλου από 24 ασθενείς που νοσηλεύτηκαν για σοβαρή TBI και οι ειδικοί εξέτασαν χειροκίνητα και εντόπισαν περισσότερα από 3.500 μοναδικά συμβάντα SD στο σύνολο δεδομένων. Τα μισά από αυτά τα δεδομένα ασθενών χρησιμοποιήθηκαν για την εκπαίδευση ενός μοντέλου μηχανικής μάθησης πώς να αναγνωρίζει και να ταξινομεί με ακρίβεια συμβάντα SD.
Μόλις το μοντέλο εκπαιδεύτηκε, οι ερευνητές χρησιμοποίησαν το άλλο μισό των δεδομένων για να δουν με πόσο ακρίβεια θα μπορούσε να αναγνωρίσει τα SD σε «νέα» δεδομένα που δεν είχε δει πριν. «Δείξαμε ότι η μέθοδος είναι σε θέση να αναγνωρίσει ΣΔ με υψηλό βαθμό ευαισθησίας και ειδικότητας», είπε ο Χάρτινγκς. «Συνολικά, η απόδοση ήταν παρόμοια με έναν έμπειρο σκόρερ».
Απροσδόκητα, η ομάδα ανακάλυψε ότι ο αλγόριθμος θα μπορούσε να ανιχνεύσει πολλά συμβάντα SD που δεν αναγνωρίστηκαν χρησιμοποιώντας ανθρώπινη βαθμολόγηση, πιθανότατα λόγω υψηλότερου βαθμού αντικειμενικότητας. Δοκιμάζοντας τα όρια του αλγορίθμου, οι ερευνητές διαπίστωσαν ότι θα μπορούσε να επιτύχει υψηλό βαθμό απόδοσης χρησιμοποιώντας μία ένδειξη τάσης ανά 10 δευτερόλεπτα, σε σύγκριση με την τυπική μέθοδο συλλογής 256 σημείων δεδομένων ανά δευτερόλεπτο.
“Εάν μπορούσαμε να επιτύχουμε υψηλό βαθμό απόδοσης με ελάχιστες πληροφορίες, αυτό θα άφηνε πολύ “περιθώριο” για να βελτιώσουμε ακόμη περισσότερο την απόδοση προσθέτοντας πρόσθετες πληροφορίες”, δήλωσε ο Hartings. «Αυτό το έργο βρίσκεται σε εξέλιξη τώρα».
Επίδραση μελέτης
Ο Χάρτινγκς είπε ότι όταν ο αλγόριθμος υλοποιηθεί και εφαρμοστεί πλήρως, η αυτοματοποιημένη ανίχνευση ΣΔ θα επέτρεπε σε οποιοδήποτε νευροχειρουργικό κέντρο να παρακολουθεί ασθενείς για ΣΔ, ακόμη και αν δεν έχουν γιατρό στο προσωπικό με αυτήν την εξειδικευμένη εκπαίδευση. «Πολλά νευροχειρουργικά κέντρα ενδιαφέρονται για την παρακολούθηση των ΣΔ για τη φροντίδα των ασθενών, αλλά απλώς δεν έχουν τη γνώση ή τους πόρους για να το εφαρμόσουν», είπε.
“Η αυτοματοποιημένη ανάγνωση SD θα μειώσει αυτά τα εμπόδια και ελπίζουμε να καταστήσει αυτή την τεχνολογία πιο προσιτή και, επομένως, να επιταχύνει την έρευνα και, ελπίζουμε, το όφελος των ασθενών.” Ενώ τα αποτελέσματα της μελέτης είναι ελπιδοφόρα, ο Hartings προειδοποίησε ότι απαιτείται περαιτέρω ανάπτυξη και επικύρωση προτού η αυτοματοποιημένη ανίχνευση αντικαταστήσει πλήρως την ανθρώπινη τεχνογνωσία και τον εντοπισμό των SD.
“Πιστεύω ότι οδεύουμε προς αυτή την κατεύθυνση. Αλλά ακόμα κι αν όχι, η αυτοματοποιημένη ανίχνευση θα μείωνε, τουλάχιστον, σημαντικά τον φόρτο εργασίας και θα αυξήσει τους χρόνους απόκρισης, καθώς οι συναγερμοί θα μπορούσαν να ειδοποιήσουν τους γιατρούς να εξετάσουν τα δεδομένα ή να αναλάβουν δράση νωρίτερα από ό,τι διαφορετικά, ακολουθώντας τα συνήθη διαστήματα για την επισκόπηση της προόδου των ασθενών”, είπε. “Αυτό είναι ένα άλλο σημαντικό όφελος που δεν πρέπει να αγνοηθεί.”
Οι περιορισμοί της μελέτης περιλαμβάνουν την ανάγκη τοποθέτησης της λωρίδας ηλεκτροδίου στον εγκέφαλο κατά τη διάρκεια της νευροχειρουργικής, περιορίζοντας τον αριθμό των ασθενών που μπορούν να παρακολουθούνται σε αυτούς που υποβάλλονται σε χειρουργική επέμβαση. Ωστόσο, ο Χάρτινγκς είπε ότι η έρευνα συνεχίζεται για την ανάπτυξη μη επεμβατικών μεθόδων ανίχνευσης που θα μπορούσαν να χρησιμοποιηθούν για την παρακολούθηση μεγαλύτερου πληθυσμού ασθενών.
