Un algoritmo all'avanguardia migliora la precisione dell'EEG intracranico per migliorare la futura assistenza ai pazienti
Pubblicato sul Journal of Neural Engineering , un team di ricerca guidato dalla University of Minnesota Medical School ha valutato l'affidabilità degli esperti umani rispetto a un algoritmo automatizzato nella valutazione della qualità dei dati dell'elettroencefalografia intracranica (iEEG). Questa ricerca spera di aprire la strada a un rilevamento e una localizzazione delle crisi più accurati ed efficienti, migliorando in ultima analisi i risultati per i pazienti epilettici.
L'iEEG è una procedura che misura l'attività cerebrale posizionando degli elettrodi direttamente sul cervello o al suo interno.
Queste informazioni dettagliate sono fondamentali per la diagnosi e il trattamento di patologie come l'epilessia, in cui individuare l'origine esatta delle crisi è essenziale per un trattamento efficace.
Per questo studio, il team di ricerca ha arruolato 16 esperti, tra cui tecnici EEG e neurologi specializzati, per classificare 1.440 canali iEEG come "buoni" o "cattivi". In questo studio, buono significava registrare l'attività cerebrale e cattivo significava non registrare l'attività cerebrale.
Le loro valutazioni sono state confrontate tra loro, con quelle degli altri e con l'algoritmo Automated Bad Channel Detection (ABCD), sviluppato dall'Herman Darrow Human Neuroscience Lab presso l'Università del Minnesota.
L'algoritmo ABCD ha dimostrato una maggiore accuratezza (95,2%) e prestazioni complessive migliori rispetto ai valutatori umani, in particolare nell'identificazione dei canali con rumore ad alta frequenza.
"I nostri risultati evidenziano potenziali distorsioni e limitazioni nelle valutazioni EEG basate sull'uomo. Le prestazioni dell'algoritmo ABCD suggeriscono un futuro in cui i metodi automatizzati possono aiutare i medici a migliorare l'accuratezza e l'efficienza del rilevamento delle crisi epilettiche, migliorando in definitiva l'assistenza ai pazienti", ha affermato Alexander Herman, MD, PhD, professore associato presso la U of M Medical School e psichiatra presso M Health Fairview.
Questa ricerca sottolinea il potenziale delle soluzioni automatizzate per migliorare l'affidabilità e l'efficienza dell'interpretazione dei dati iEEG, fondamentali per la localizzazione delle crisi e il miglioramento dei risultati per i pazienti.
"Questa ricerca dimostra il potenziale degli algoritmi automatizzati per superare gli esperti umani nell'identificazione di canali EEG difettosi. Riducendo il carico di lavoro e la variabilità nelle valutazioni, possiamo concentrarci maggiormente sul processo decisionale clinico e sulla cura del paziente", ha affermato David Darrow, MD, MPH, professore associato presso la U of M Medical School e neurochirurgo presso M Health Fairview
La ricerca futura dovrebbe puntare a perfezionare ulteriormente questi metodi automatizzati e a esplorarne l'applicazione in contesti clinici in tempo reale.
Il finanziamento è stato fornito dall'Institute for Translational Neuroscience e MnDRIVE Brain Conditions.