癫痫发作负担由应用于床旁脑电图 (POC EEG) 记录的人工智能 (AI) 算法定义，可以帮助预测功能结果。
Desai 在美国神经病学学会 (AAN) 2024 年年会的新闻发布会上补充道：“我们的研究解决了监测癫痫活动和癫痫负担的自动化的迫切需求。”
一个关键的转变
德赛说：“几十年的研究强调了成人和儿童的癫痫发作负担与不良后果之间的显着相关性。”
然而，她指出，手动解释脑电图来识别癫痫发作及其相关负担的传统方法是一个“复杂且耗时的过程，可能会出现人为错误和变异”。
POC EEG 是一种快速访问、简化剪辑的 EEG 系统，与名为 Clarity（Ceribell, Inc；加利福尼亚州桑尼维尔）的自动化机器学习工具配合使用时，可以实时监测和分析癫痫发作负担。
该算法包含与结果相关的脑电图特征的完整列表。 它每 10 秒分析一次所有脑电图通道的脑电图活动，并计算患者过去 5 分钟的癫痫发作负担。 癫痫发作负担越高，患者发生癫痫发作的时间就越长。
在 SAFER-EEG 试验中，有 344 名接受 POC 脑电图检查的患者（平均年龄 62 岁，45% 为女性）中，178 名患者（52%）在整个记录过程中癫痫发作负担为零，41 名患者（12%）怀疑有癫痫发作 癫痫持续状态 （最大癫痫发作负担≥90%）。
在调整临床协变量之前，高癫痫发作负担与不良结果之间存在显着关联。
具体而言，76% 癫痫发作负担≥ 50% 的患者有不良症状 改良兰金量表 她指出，出院时评分≥ 4 分，并且类似比例出院到长期护理机构。
调整相关临床协变量后，与无癫痫发作负担的患者相比，癫痫发作负担高（≥ 50 或 > 90%）的患者出现不利的改良 Rankin 量表评分的几率增加了四倍。
记录最后一个季度出现的高癫痫发作负担特别表明了不利的结果（几率增加了五倍），“表明癫痫发作的关键时机及其对患者预后的影响，”德赛指出。
“深远的影响”
她补充说：“我们的研究意义深远，表明在癫痫危重患者的治疗中，人工智能和机器学习引导的自动脑电图解读的整合正在发生关键转变。”
“随着我们的前进，我们的研究将集中于将这种先进的工具应用于临床实践中的临床决策，研究它如何指导患者的治疗决策，最终目标是加强患者护理并改善受这些神经系统疾病影响的患者的治疗结果。挑战，”德赛说。
简报主持人、AAN 科学委员会主席、医学博士、哲学博士 Paul M. George 指出，这份摘要是主题为“推进神经科护理极限”的“顶级科学”新闻简报中的三篇摘要之一，因为它代表了“创新方法”，利用新技术来增进对神经系统疾病的了解。
乔治说，这项技术“在临床专家很少的环境中可能特别有用。随着这一切的展开，我们会很兴奋，它可以指导急诊医生或初级保健医生帮助改善患者护理。”
在这一点上，乔治警告说，使用人工智能指导决策仍处于“早期阶段”，收集更多信息以确认“机器学习算法可以帮助指导医生治疗神经系统疾病患者”非常重要。 ”
该研究的资金由威斯康星大学麦迪逊分校和 Ceribell, Inc. 提供。Desai 获得了 Ceribell 对该项目的资助。 乔治没有相关披露。
1713224625
2024-04-15 16:18:54
