Nöbetleri tespit etmek ve EEG’leri yorumlamak, doğrudan algoritmik yol

Hindistan Bilim Enstitüsü’ndeki (IISc) araştırmacılar, AIIMS Rishikesh ile işbirliği içinde, epilepsinin oluşumunu ve türünü belirlemek için beyin taramalarının kodunu çözmeye yardımcı olabilecek bir algoritma geliştirdiler.

Epilepsi, beynin kısa sürede ani elektrik sinyalleri patlaması yayarak nöbetler, nöbetler ve aşırı durumlarda ölümle sonuçlanan nörolojik bir hastalıktır. Beynin düzensiz sinyallerinin çıkış noktasına göre epilepsi, fokal veya jeneralize epilepsi olarak sınıflandırılır. Fokal epilepsi, düzensiz sinyaller beyindeki belirli bir bölgeyle sınırlı olduğunda ortaya çıkar. Sinyaller rastgele yerlerde ise, genelleştirilmiş epilepsi olarak adlandırılır.

Bir hastanın epileptik olup olmadığını belirlemek için, nörofizyologların bu tür düzensiz sinyalleri yakalayabilen EEG’leri (elektroensefalogramlar) manuel olarak incelemesi gerekir. Elektronik Sistemler Mühendisliği (DESE) Bölümü’nde Yardımcı Doçent ve The Journal’da yayınlanan çalışmanın ilgili yazarı Hardik J Pandya, EEG’nin görsel olarak incelenmesinin uzun süre sonra yorucu olabileceğini ve zaman zaman hatalara yol açabileceğini söylüyor. Biyomedikal Sinyal İşleme ve Kontrol.

“Araştırma, normal deneklerin EEG’sini epileptik EEG’lerden ayırt etmeyi amaçlıyor. Ek olarak, geliştirilen algoritma nöbet türlerini belirlemeye çalışıyor. Çalışmamız, nörologların verimli ve hızlı bir otomatik tarama ve teşhis yapmasına yardımcı olmak” diye ekliyor.

Ekip, çalışmalarında, EEG verilerini gözden geçirebilen ve elektriksel sinyal modellerinden epilepsi imzalarını tanımlayabilen yeni bir algoritma rapor ediyor. Araştırmacılar, ilk eğitimden sonra, algoritmanın bir insan deneğin epilepsisi olup olmadığını – ilgili analizlerindeki bu kalıplara dayanarak – yüksek derecede doğrulukla tespit edebildiğini söylüyor.

Algoritmayı geliştirmek ve eğitmek için araştırmacılar önce AIIMS Rishikesh’te elde edilen 88 insan denekten alınan EEG verilerini incelediler. Her deneğe iki bölüme ayrılmış 45 dakikalık bir EEG testi uygulandı: süje uyanıkken, fotik stimülasyon ve hiperventilasyonu içeren ilk 10 dakikalık test, ardından deneğin uyumasının istendiği 35 dakikalık uyku periyodu. Daha sonra ekip bu verileri analiz etti ve farklı dalga modellerini keskin sinyaller, ani yükselmeler ve yavaş dalgalar olarak sınıflandırdı. Sivri uçlar, bir sinyalin çok kısa bir süre içinde (~70 milisaniye) yükselip alçaldığı kalıplardır, keskinler ise biraz daha uzun bir süreye (~250 milisaniye) yayılan yükseliş ve düşüşlerin olduğu ve yavaş dalgaların çok daha uzun bir süreye sahip olduğu kalıplardır. (~400 milisaniye).

Epileptik bir özne, sağlıklı bir bireyle karşılaştırıldığında farklı bir dizi model gösterir. Araştırmacılar, toplam keskin dalga sayısını (Kümülatif Keskin Sayımı) hesaplamak için bir algoritma geliştirdiler ve bunu öznenin epileptik olup olmadığını saptamak için bir parametre olarak kullandılar (daha yüksek bir değer, öznenin epileptik olma olasılığının daha yüksek olduğunu gösterir). Algoritma ayrıca fokal ve jeneralize epilepsiyi ayırt etmek için sivri uçların ve keskin eğrilerin altındaki alanların toplamını da hesaplar (daha büyük bir değer, daha düşük bir değere sahip olan fokal epilepsinin aksine jeneralize epilepsiyi gösterir). Araştırmacılar, çalışmanın Kümülatif Ani Dalga Sayımı kullanarak yokluk nöbetlerini (kısa, ani bir bilinç kaybı içerenler) tanımlamanın bir yolunu gösterdiğini ekliyorlar; bazı durumlarda, bu absans nöbetleri kritiktir ve ölümcül olabilir.

Ekip daha sonra algoritmasını, sınıflandırmanın (epilepsi olup olmadığı ve eğer öyleyse, ne tür bir epilepsiye sahip oldukları) doktorlar tarafından zaten bilinen deneklerden alınan yeni bir EEG verisi seti üzerinde çalıştırdı. Bu kör doğrulama çalışması, vakaların yaklaşık %91’inde denekleri başarıyla sınıflandırdı.

Ph.D. Rathin K Joshi, “İnsan EEG’lerinin daha fazla değişkenliğini dikkate almak için daha fazla veri üzerinde test ederek bunu daha da hassaslaştırmayı umuyoruz” diyor. DESE öğrencisi ve çalışmanın ilk yazarı.