Novo sistema de IA é capaz de prever convulsões com precisão quase perfeita

Existem cerca de 50 milhões de pessoas com epilepsia em todo o mundo, uma doença que é causada devido a uma perturbação na troca de sinais elétricos entre as células do cérebro e é geralmente acompanhada de convulsões que ocorrem em intervalos irregulares. 

Dois pesquisadores da Universidade da Louisiana em Lafayette desenvolveram um novo modelo que utiliza Inteligência Artificial para prever a ocorrência de convulsões até uma hora antes do início com precisão de 99,6%.

Detectar convulsões antes do tempo pode melhorar muito a qualidade de vida dos pacientes com epilepsia e fornecer tempo suficiente para que eles tomem medidas. Notavelmente, as convulsões são controláveis ​​com medicamentos em até 70% desses pacientes.

Os pesquisadores responsáveis pela pesquisa, Hisham Daoud e Magdy Bayoumi, não são os primeiros a explorar maneiras de prever convulsões, outros grupos de pesquisa trabalharam em maneiras de analisar a atividade cerebral usando testes de eletroencefalograma (EEG) e usaram os dados para desenvolver modelos preditivos. No entanto, cada pessoa exibe padrões cerebrais únicos, o que dificulta a previsão precisa de convulsões. Modelos anteriores foram projetados para fazer isso em um processo de dois estágios, em que os padrões cerebrais devem ser extraídos manualmente e, em seguida, um sistema de classificação é aplicado, o que Daoud diz que acrescenta complexidade ao modelo.

Na nova abordagem, descrita em um estudo realizado em 24 de julho e publicado no IEEE Transactions on Biomedical Circuits and SystemsTransações, os processos de extração e classificação de recursos são combinados em um único sistema automatizado, que permite a previsão de apreensões mais precoces e precisas.

Além disso, os pesquisadores incorporaram outra abordagem de classificação na qual um algoritmo de Deep Learning extrai e analisa as características espaço-temporais da atividade cerebral do paciente a partir de diferentes localizações dos eletrodos, aumentando a precisão de seu modelo. E, finalmente, as leituras de EEG podem envolver vários "canais" de atividade elétrica, portanto, Daoud e Bayoumi aplicaram um algoritmo adicional para identificar os canais preditivos mais apropriados de atividade elétrica, isso também acelera o processo de previsão.

Os pesquisadores desenvolveram e testaram sua abordagem usando dados de EEG a longo prazo de 22 pacientes no Hospital Infantil de Boston. Embora esse seja um tamanho pequeno de amostra, os resultados foram empolgantes para a equipe. O modelo não só é muito preciso, com 99,6%, mas também apresenta baixa tendência a falsos positivos, 0,004 alarmes falsos por hora.

Com o componente de software completo, o próximo passo é desenvolver um chip de computador personalizado para processar os algoritmos.