هشدار زودهنگام تشنج می تواند برای بیماران صرع یک ​​تغییر دهنده بازی باشد

یک الگوریتم جدید ریاضی داده های EEG و ایمپلنت های مغزی را برای یادگیری طرح های منحصر به فرد الگوی مغز هر بیمار صرع بررسی می کند. این سیستم می تواند شروع تشنج را در عرض یک ساعت پیش بینی کند و به بیمار اجازه می دهد تا مداخلات لازم را انجام دهد.
صرع یکی از شایع ترین بیماریهای نورولوژیک است که بیش از 65 میلیون نفر در سراسر جهان به آن مبتلا هستند. برای کسانی که با صرع سر و کار دارند، ظهور تشنج می تواند مانند احساس یک بمب ساعتی باشد. این می تواند در هر زمان و هر مکان اتفاق بیفتد، به طور بالقوه خطری مهلک در هنگام حمله تشنج در موقعیت های خطرناک، مانند هنگام رانندگی ایجاد شود.
یک تیم تحقیقاتی در دانشکده مهندسی و پزشکی کک USC Viterbi از USC در حال حل این مشکل خطرناک با تشنج جدید قدرتمند و پیش بینی مدل ریاضی است که به بیماران صرع پنج دقیقه تا یک ساعت قبل از احتمال تشنج، اخطار دقیق می دهد که منجر به کاهش وقوع عوارض ناشی از حمله تشنج برای بیمار و کاهش نیاز به مداخله پزشکی خواهد شد.
این تحقیق توسط نویسندگان متناظر، دونگ سونگ، دانشیار پژوهشی مهندسی پزشکی در دانشکده مهندسی USC Viterbi و پن نینگ یو، محقق سابق دکترا در آزمایشگاه سونگ، با همکاری چارلز لیو، استاد جراحی مغز و اعصاب بالینی و مدیر مرکز بازآفرینی اعصاب  USC انجام شد. نویسندگان دیگر دیوید پاكارد استاد مهندسی زیست پزشکی، تد برگر، مدیر پزشكی برنامه جامع صرع USC در مركز پزشكی كك، کریستین هك هستند.
مدل ریاضی با یادگیری از مقدار زیادی داده سیگنال مغزی که از ایمپلنت الکتریکی در بیمار جمع آوری شده است، کار می کند. لیو و تیم او قبلاً با بیماران صرع با دستگاه های قابل کاشت کار کرده اند، این دستگاه ها قادر به نظارت مستمر در زمان واقعی از سیگنال های الکتریکی مغز هستند به همان روشی که الکتروانسفالوگرام (EEG) از الکترودهای خارجی برای اندازه گیری سیگنال ها استفاده می کند. مدل جدید ریاضی می تواند این داده ها را بگیرد و سیگنالهای مغزی منحصر به فرد هر بیمار را بیاموزد، به دنبال پیش سازها یا الگوهای فعالیت مغز باشد که حالت “قبل از حمله” را نشان می دهد، در این حالت بیمار در معرض خطر تشنج است.
سونگ گفت که مدل جدید قادر است با دقت پیش بینی کند که آیا تشنج ظرف یک ساعت اتفاق می افتد یا خیر و به بیمار اجازه می دهد تا مداخلات لازم را انجام دهد.
سونگ گفت: “به عنوان مثال، این کار می تواند به سادگی هشدار دادن به بیمار در ساعت بعدی حمله باشد. بنابراین آنها نباید در حال حاضر با ماشین خود رانندگی کنند یا باید داروهای خود را بخورند، یا اینکه باید بروند و بنشینند.” “یا به طور ایده آل در آینده می توانیم سیگنال های تشنج را تشخیص دهیم و سپس تحریک الکتریکی را از طریق دستگاه کاشت به مغز ارسال کنیم تا از وقوع تشنج جلوگیری کند.”
لیو گفت، با توجه به اینکه صرع در سال گذشته تحت تأثیر بیماری همه گیر به شدت تحت تأثیر قرار گرفته، این کشف پیامدهای عمده مثبتی بر سلامت عمومی خواهد داشت.
لیو گفت: “امیدوارم که این روش رو به جلو برای مقابله با صرع را تغییر دهد و ناشی از نیازهایی باشد که مدتهاست وجود داشته اما توسط COVID برجسته و تسریع شده است.” وی گفت كه در حال حاضر، بیماران مبتلا به صرع مقاوم به درمان كه با دارو قابل کنترل نیستند، برای مانیتورینگ تصویری EEG به صورت انتخابی در بیمارستان بستری می شوند. با ظهور COVID، این پذیرش های انتخابی به طور کامل متوقف شده و برنامه های صرع در سراسر کشور طی یک سال گذشته متوقف شد.
لیو گفت این نیاز به انجام کار جدیدی را نشان می دهد که توسط آن می توان ضبط های EEG از الکترودهای پوست سر یا داخل مغز را در خانه به دست آورد و از نظر محاسباتی تجزیه و تحلیل کرد.
لیو گفت: “بنابراین ما باید یک گردش کار جدید ایجاد کنیم که به وسیله آن، به جای اینکه بیماران را به ICU بیاوریم، ضبط ها را از خانه آنها گرفته و از مدلهای محاسباتی برای انجام هر کاری که در بیمارستان انجام می دهند استفاده کنیم.” “نه تنها می توانید بیماران را با استفاده از فاصله فیزیکی مدیریت کنید، بلکه می توانید به گونه ای مقیاس بندی کنید که فقط فناوری اجازه می دهد. محاسبه می تواند هزاران صفحه داده را همزمان تجزیه و تحلیل کند، در حالی که یک متخصص مغز و اعصاب نمی تواند.”
سونگ گفت که مدل جدید با مدل های قبلی پیش بینی تشنج متفاوت است به این دلیل که هم اطلاعات خطی و هم غیر خطی را از سیگنال های مغزی بیمار استخراج می کند. “خطی ویژگی ساده است. اگر قسمت ها را بفهمید، می توانید کلیات را درک کنید. ” “در حالی که ویژگی غیرخطی به این معنی است که حتی اگر قسمت ها را درک کنید، هنگام مقیاس بندی ویژگی های برجسته ای دارد که قابل توضیح نیست.”
سونگ گفت: “برای برخی از بیماران، ویژگی های خطی از اهمیت بیشتری برخوردار هستند و برای سایر بیماران، ویژگی های غیر خطی از اهمیت بیشتری برخوردار هستند.”
سونگ گفت در حالی که سایر مدل ها فعالیت مغز را در مقیاس زمانی کوتاه، چند میلی ثانیه پیش بینی می کنند، مدل تیم او مقیاس زمان طولانی را بررسی کرد. سونگ گفت: “مغز یک دستگاه در مقیاس چند موقتی است، بنابراین ما باید بدانیم که نه تنها در کوتاه مدت، بلکه در مراحل دیگر نیز چه اتفاقی می افتد.”
سونگ گفت که مدل جدید قادر است با دقت پیش بینی کند که آیا تشنج ظرف یک ساعت اتفاق می افتد یا خیر، به بیمار اجازه می دهد تا مداخلات لازم را انجام دهد. وی گفت كه این مدل از لحاظ خاص بودن بیمار نیز منحصر به فرد است و اطلاعاتی را كه برای هر بیمار قابل توجه است استخراج می کند. زیرا هر مغز از نظر سیگنال هایی که نشان دهنده حالت “قبل از حمله” است بسیار متفاوت است. “بیماران همه با یکدیگر متفاوت هستند ، بنابراین برای پیش بینی دقیق تشنج، باید سیگنال ها را ضبط کنیم، باید بسیاری از ویژگی های مختلف را بررسی کنیم و باید الگوریتمی برای انتخاب مهمترین ویژگی برای پیش بینی داشته باشیم.” “من نمی توانم به شما بگویم که چقدر هیجان انگیز است. ما در USC علاقه زیادی به تلاش برای ایجاد ابزاری داشتیم که بعد بهداشت عمومی این بیماری ها را که تحت معالجه قرار می دهیم افزایش دهد و این واقعاً دشوار است. ”
“صرع شناسان در بسیاری از مناطق کشور و جهان هنوز تعداد آنها نسبتاً کم است. لیو گفت، اگرچه آنها می توانند بسیاری از ویژگیهای ظریف را در EEG شناسایی کنند، اما مدلهای مختلفی که Song می تواند ایجاد کند می تواند ویژگیهای اضافی را در مقیاس گسترده ای که برای کمک به میلیونها بیمار مبتلا به صرع در منطقه و جهان ما ضروری است، شناسایی کند.
هک، که همچنین مدیر مشترک مرکز بازآفرینی اعصاب USC است، گفت که دو موضوع مهم در ارتباط بالینی این فناوری وجود دارد. “یکی این است که اکثر بیمارانی که از صرع رنج می برند با ترس و اضطراب در مورد تشنج بعدی خود زندگی می کنند که ممکن است در غیر مناسب ترین لحظه مانند روشن شدن وسیله نقلیه، شاید هنگام رانندگی، یا فقط در ملاقات عمومی اتفاق بیفتد. یک هشدار فراوان فرصتی حیاتی برای “ایمن شدن” را فراهم می کند، “هک گفت. “دومین مسئله مهم از نظر بالینی این است که ما ایمپلنت مغز، دستگاه های هوشمند داریم که این فناوری مهندسی شده می تواند آنها را تقویت کند و امید بیشتری به اثربخشی روشهای درمانی موجود می دهد.”

خلاصه

اهداف. پیش بینی دقیق تشنج برای مداخلات پزشکی مانند تحریک الکتریکی پاسخگو بسیار مطلوب است. هدف ما توسعه یک مدل طبقه بندی است که بتواند با شناسایی حالتهای پیش گویی، یعنی پیش ساز تشنج، بر اساس سیگنالهای الکتروانسفالوگرافی داخل جمجمه چند کاناله (iEEG)، حملات را پیش بینی کند.

رویکرد. یک مدل طبقه بندی چند مقیاس پراکنده دو سطح برای طبقه بندی حالت های متناوب و پیش فرض از داده های iEEG ایجاد شد. در سطح اول، ویژگی های دینامیکی خطی در مقیاس کوتاه مدت به عنوان ضرایب مدل autoregressive (AR) استخراج شدند. ویژگی های دینامیکی خطی و غیرخطی در مقیاس زمانی دلخواه (معمولاً طولانی) به عنوان ضرایب مدل Laguerre-Volterra AR استخراج شدند. خطای میانگین-مربع پیش بینی مدل به عنوان ویژگی نمایانگر غیرقابل پیش بینی بودن مدل مورد استفاده قرار گرفت. در سطح دوم، همه ویژگی ها به یک طبقه بندی کننده پراکنده تغذیه می شدند تا داده های iEEG بین حالت های متناوب و پیش فرض تمیز داده شود.

نتایج اصلی. مدل دو سطحی می تواند با استفاده از داده های iEEG ثبت شده از ده فرد سگ و انسان، حالتهای تشنج را به طور دقیق طبقه بندی کند. افزودن ویژگیهای دلخواه و غیرخطی دلخواه (معمولاً طولانی) به طور قابل توجهی عملکرد مدل را در مقایسه با رویکرد مدل سازی AR معمولی بهبود می بخشد. درجه بالایی از تنوع در انواع ویژگی های کمک کننده به پیش بینی تشنج در افراد مختلف وجود دارد.

اهمیت این مطالعه نشان می دهد که تولید تشنج ممکن است شامل فرآیندهای دینامیکی خطی / غیرخطی متمایز باشد که توسط مکانیسم های مختلف عصب شناختی زمینه ای ایجاد می شود. ساخت مدلهای طبقه بندی خاص بیمار با طیف گسترده ای از ویژگیهای دینامیکی ضروری است.