Vantaggi di efficienza della tecnologia IA per la neurologia per EEG

Nel panorama in rapida evoluzione dell’informatica sanitaria, l’IA è emersa come una forza fondamentale per aiutare gli operatori sanitari a diventare più efficienti. L’adozione dell’IA in campo medico è variata a seconda delle specialità e delle applicazioni, con alcuni settori che si sono evoluti più rapidamente di altri. Per molti anni, ad esempio, la cardiologia ha utilizzato l’intelligenza artificiale per i test ECG e di imaging, per individuare più facilmente sottili anomalie cardiache e fornire valutazioni più tempestive. Lo stesso accade in ambito radiologico e mammografico, dove l’utilizzo della tecnologia IA è aumentato esponenzialmente nell’ultimo decennio.ⁱ

Le applicazioni dell’IA in ambito neurologico sono molte, dall’abilitazione alla chirurgia robotica autonoma, alla previsione degli esiti degli interventi per l’epilessia, fino alla classificazione automatica delle immagini per i neuro-oncologi.ⁱⁱ Tuttavia, nel campo in rapida evoluzione dell’IA neurologica, alcuni dei maggiori benefici derivano dall’uso dell’IA per l’interpretazione dell’EEG.ⁱⁱⁱ Man mano che questi strumenti si evolvono dai più tradizionali algoritmi di apprendimento automatico alla tecnologia che incorpora il deep learning, neurologi, epilettologi, personale di neurodiagnostica e altri operatori sanitari stanno assistendo a un notevole aumento dell’efficienza, che sta portando a una riduzione dei costi e un miglioramento dei risultati sanitari.

Le registrazioni EEG generano grandi quantità di dati, quindi non sorprende che negli ultimi quarant’anni l’apprendimento automatico sia stato utilizzato in qualche forma di classificazione EEG.^iv Identificando rapidamente le potenziali anomalie, gli algoritmi tradizionali aiutano da tempo i neurologi e il personale medico di neurologia a dare priorità ai casi critici, consentendo interventi più tempestivi per i pazienti con gravi disturbi neurologici. È estremamente utile che esista già un gran numero di registrazioni EEG convalidate, che forniscono agli strumenti IA ampie informazioni da cui imparare.

Affidarsi all’IA per la revisione dell’EEG

Gli algoritmi avanzati di oggi sono addestrati su enormi serie di dati convalidati, che consentono agli strumenti di riconoscere sottili anomalie nelle forme d’onda EEG che potrebbero sfuggire all’osservazione umana. L’IA neurologica è particolarmente preziosa negli scenari di monitoraggio a lungo termine, dove è essenziale identificare le tendenze o i cambiamenti nel tempo.^v Segnalando automaticamente le deviazioni dai modelli di base, gli algoritmi garantiscono che i neurologi possano affrontare tempestivamente anche le condizioni neurologiche in rapida evoluzione.^vi

Inoltre, gli algoritmi di deep learning e le reti neurali, correttamente addestrate su grandi insiemi di dati opportunamente annotati, possono ridurre significativamente il tempo che il personale medico di neurologia dedica all’interpretazione dell’EEG come risultato del monitoraggio a lungo termine (LTM), dell’EEG ambulatoriale e di routine.

In particolare, si prevede che gli strumenti di IA neurologica per l’EEG riducano i tempi e aumentino l’efficienza in diverse aree importanti, tra cui:

• Estrazione delle caratteristiche. I segnali EEG sono complessi e contengono grandi quantità di informazioni, rendendo l’estrazione di caratteristiche dai segnali EEG una componente fondamentale per il successo dell’apprendimento automatico e in particolare degli algoritmi di deep learning. Le revisioni sistematiche sull’uso dell’intelligenza artificiale per la decodifica neurale dei segnali EEG hanno mostrato enormi potenzialità, in quanto gli algoritmi di deep learning eccellono nel riconoscere pattern intricati all’interno di insiemi di dati grandi e complessi, identificando correlazioni nascoste all’interno dei modelli di reti neurali che spesso sfuggono ai metodi tradizionali di interpretazione dell’EEG.^vii

• Rilevamento di eventi specifici. Poiché sono in grado di analizzare grandi quantità di dati, riconoscere pattern complessi e formulare previsioni precise, gli algoritmi possono riconoscere eventi specifici nelle registrazioni EEG più rapidamente rispetto ai metodi tradizionali. Il deep learning ha dimostrato di essere altamente competente nel rilevare le crisi epilettiche, ad esempio riducendo in modo significativo il tempo impiegato per esaminare le registrazioni EEG, che possono richiedere ore o addirittura giorni per un solo soggetto con crisi epilettica. Grazie alla capacità di estrarre automaticamente le caratteristiche rilevanti dai dati EEG, i modelli di deep learning come le reti neurali convoluzionali o ricorrenti possono rilevare più rapidamente e accuratamente gli eventi convulsivi, anche in registrazioni rumorose o complesse.^viii

• Monitoraggio a lungo termine. Gli strumenti EEG basati sull’intelligenza artificiale sono sempre più preziosi per il monitoraggio a lungo termine (LTM), in cui vengono generati grandi volumi di dati nell’arco di ore o giorni. Questi sistemi possono identificare automaticamente e dare priorità agli eventi clinicamente rilevanti, aiutando i medici a gestire le registrazioni prolungate in modo più efficiente ed efficace. Tramite il riconoscimento dei pattern EEG individualizzati, correlati a condizioni specifiche o alle risposte al trattamento, l’IA può inoltre supportare piani di cura maggiormente personalizzati e adattati al profilo neurologico di ciascun paziente. In questo modo si garantisce che gli eventi critici non passino inosservati, anche quando il personale non sta esaminando attivamente i dati.

Interazione collaborativa tra uomo e IA

Il Brookings Institute definisce il concetto di collaborazione uomo-macchina come una relazione composta da tre elementi: l’uomo, la macchina e le interazioni e interdipendenze tra essi. Per compiti altamente complessi come l’analisi dell’EEG, l’IA ha il potenziale per migliorare notevolmente i risultati quando viene utilizzata per aumentare e supportare le capacità umane. Una volta costruita la fiducia tra il personale medico di neurologia e la tecnologia IA, questa partnership si traduce in un approccio sinergico che va ben oltre ciò che entrambi potrebbero ottenere indipendentemente. D’altra parte, quando le competenze umane scarseggiano, gli strumenti di IA possono ridurre significativamente i tempi di diagnosi, migliorando l’accesso alle cure neurologiche per le comunità remote e sottoservite.

Molti strumenti di intelligenza artificiale continuano ad apprendere man mano che ricevono nuovi dati, utilizzando il feedback umano per perfezionare e accelerare le prestazioni dell’algoritmo. Nel contesto di autoSCORE, tuttavia, il modello utilizza un algoritmo convalidato, che non apprende e che rimane coerente nel tempo per garantire affidabilità e riproducibilità. L’immenso valore di autoSCORE risiede nell’applicazione di un quadro coerente e convalidato per il rilevamento automatico degli eventi, che l’esperto umano poi esamina, convalida e interpreta. Questa divisione dei ruoli garantisce efficienza e coerenza senza compromettere la supervisione o il giudizio clinico.

L’integrazione dell’intelligenza artificiale con l’analisi EEG accelera processi che tradizionalmente potrebbero richiedere molte ore, aumentando significativamente l’efficienza del personale medico di neurologia. Guardando al futuro, gli strumenti di IA per la neurologia promettono enormi opportunità. I progressi nel deep learning e nel riconoscimento dei pattern continueranno a perfezionare il rilevamento degli eventi e ad aiutare a identificare anomalie ancora più sottili in tempi sempre più brevi. Con la sua evoluzione, l’IA plasmerà il futuro dell’interpretazione e dell’analisi EEG, collaborando con i medici per un approccio più preciso, efficiente e incentrato sul paziente in ambito sanitario neurologico.

FONTI

1. Dobkin PL. Art of medicine, art as medicine, and art for medical education. Can Med Educ J. 7 dicembre 2020;11(6):e172-e175. doi: 10.36834/cmej.70298. PMID: 33349773; PMCID: PMC7749674.
2. Ganapathy Krishnan, Abdul Shabbir Syed, Nursetyo Aldilas Achmad “Artificial intelligence in neurosciences: A clinician’s perspective” Neurology India 2018, Volume 66, Numero 4, Pagina 934-939
3. Saeidi M, Karwowski W, Farahani FV, Fiok K, Taiar R, Hancock PA, Al-Juaid A. Neural Decoding of EEG Signals with Machine Learning: A Systematic Review. Brain Sci. 18 novembre 2021;11(11):1525. doi: 10.3390/brainsci11111525. PMID: 34827524; PMCID: PMC8615531.
4. Varatharajah Y, Berry B, Cimbalnik J, Kremen V, Van Gompel J, Stead M, Brinkmann B, Iyer R, Worrell G. Integrating artificial intelligence with real-time intracranial EEG monitoring to automate interictal identification of seizure onset zones in focal epilepsy. Neural Eng. Agosto 2018;15(4):046035. doi: 10.1088/1741-2552/aac960. Epub 1 giugno 2018. PMID: 29855436; PMCID: PMC6108188.
5. Deep learning-based electroencephalography analysis: a systematic review. Yannick Roy5,1, Hubert Banville5,2,3, Isabela Albuquerque4, Alexandre Gramfort2, Tiago H Falk4 and Jocelyn Faubert1. Pubblicato il 14 agosto 2019 • © 2019 IOP Publishing Ltd. Journal of Neural Engineering, Volume 16, Numero 5, Citazione Yannick Roy et al 2019 J. Neural Eng. 16 051001DOI 10.1088/1741-2552/ab260c
6. He C, Liu J, Zhu Y, Du W. Data Augmentation for Deep Neural Networks Model in EEG Classification Task: A Review. Front Hum Neurosci. 17 dicembre 2021;15:765525. doi: 10.3389/fnhum.2021.765525. PMID: 34975434; PMCID: PMC8718399.
7. Djanian S, Bruun A, Nielsen TD. Sleep classification using Consumer Sleep Technologies and AI: A review of the current landscape. Sleep Med. Dicembre 2022;100:390-403. doi: 10.1016/j.sleep.2022.09.004. Epub 22 settembre 2022. PMID: 36206600.
8. Kent Jessica, HealthITAnalytics. (30 giugno 2020). Artificial intelligence detects epileptic seizures in real time. https://healthitanalytics.com/news/artificial-intelligence-detects-epileptic-seizures-in-real-time
9. Resnick, D. & Wessel, D. (18 febbraio 2021). Building Trust in human-machine teams. Brookings. https://www.brookings.edu/articles/building-trust-in-human-machine-teams/

052216 RevC