الگوریتم‌های هوش مصنوعی، امواج مغزی را برای پیشگیری از تشنج‌ها بررسی می کنند.

محققان دانشگاه ملبورن و گروه تحقیقات آی‌بی‌ام استرالیا، گامی بزرگ در توسعه‌ی توانایی پیش‌بینی تشنج‌های ناشی از صرع برداشته‌اند. با استفاده از یک روش یادگیری ماشین، سیستم به طور خودکار فعالیت الکتریکی مغز بیمار را تجزیه و تحلیل می‌کند و پیش بینی‌های تشنج را تا ۶۹ درصد افزایش می‌دهد و تشخیص زودهنگام بیماری را ممکن می‌سازد.

الگوریتم‌های هوش مصنوعی به طور فزاینده‌ای در حوزه‌ی سلامت استفاده می‌شوند، از شکستن ترکیب شیمیایی گرفته تا کشف داروهای جدید برای ارائه‌ی مشاوره در مورد رژیم غذایی. اما در اکثر این موارد، این الگوریتم‌ها به کمک پزشکان مورد استفاده قرار می‌گیرند.

استفان هرر، یکی از محققین این مطالعه، بیان می‌کند: "نظارت و پیشگیری از تشنج صرعی یک مورد کاربردی کامل برای نشان‌دادن پتانسیل این الگوریتم‌ها می‌باشد. این مدل دارای مقدار زیادی از اطلاعات پراکنده (نویزی) و غیر ساختاری می‌باشد که پیش‌تر متخصصین بالینی می‌بایست به صورت دستی مورد تجزیه و تحلیل قرار می‌دادند (وجود جزئیات زیاد در مورد داده‌های EEG سبب می‌شود که تفسیر و یا حتی دیدن و تجزیه و تحلیل نتایح در زمان واقعی فوق العاده دشوار و تقریباً غیر ممکن گردد). هوش مصنوعی نشان داده است که داده‌های EEG اکنون می‌توانند تجزیه و تحلیل شوند و می‌توانند در یک سیستم کاملاً خودکار، حتی در یک سیستم خاص تلفن همراه به کار روند. "

سیستم توسعه یافته توسط استفان هرر و تیمش روی داده‌های EEG که حاصل از چندین بیمار در طول چندین سال همرا با تشنج، اعمال شده است. با مقایسه داده‌های تشنج با یک مجموعه داده از بیماران با فعالیت طبیعی مغزی، زمانی که یک تشنج هنوز رخ نداده، سیستم قادر به شناسایی الگوهای تکراری که نشان‌دهنده شروع یک حادثه است می‌باشد. آن‌ها هنوز نمی‌توانند این سیستم را تعمیم دهند، چرا که الگوهای بیمار خاص هستند، اما مطالعه نشان می‌دهد که چگونه داشتن اطلاعات مناسب می‌تواند به یک بیمار کمک کند.

وی ادامه می‌دهد: "امید ما این است که بتوانیم یک سیستم قابل حمل مخصوص بیمار بسازیم که بتواند به آن‌ها از طریق پیام متنی و حتی یک حلقه بازخوردی تنظیم شده، هشدار شروع تشنج را بدهد. همچنین ممکن است یک روز بتوان این مدل را با دیگر سیستم‌ها برای پیشگیری یا درمان تشنج ادغام کرد".

چشم انداز محققان این است که قادر به جمع‌آوری این داده‌ها از خارج از جمجمه باشند تا روند کمتر تهاجمی باشد، و از عوامل دیگر در مورد محیط و فیزیولوژی بیمار، برای بهبود مدل پیش‌بینی استفاده کنند.

منبع: دیجیتال ترندز