{"id":24782,"date":"2025-11-07T11:01:40","date_gmt":"2025-11-07T11:01:40","guid":{"rendered":"https:\/\/natus.com\/insights\/efficiency-advantages-neuro-ai-technology-for-eeg\/"},"modified":"2026-01-26T19:56:19","modified_gmt":"2026-01-26T19:56:19","slug":"vantaggi-di-efficienza-della-tecnologia-ia-per-la-neurologia-per-eeg","status":"publish","type":"insights","link":"https:\/\/natus.com\/it\/insights\/vantaggi-di-efficienza-della-tecnologia-ia-per-la-neurologia-per-eeg\/","title":{"rendered":"Vantaggi di efficienza della tecnologia IA per la neurologia per EEG"},"content":{"rendered":"","protected":false},"author":2,"template":"","insight_type":[319],"insights_category":[448],"insights_tag":[483],"class_list":["post-24782","insights","type-insights","status-publish","hentry","insight_type-neuro","insights_category-eeg","insights_tag-ai-it"],"acf":{"content_blocks":[{"acf_fc_layout":"hero_insights","_acfe_flexible_layout_title":null,"_acfe_flexible_toggle":null,"hero_insights":{"module_id":"n651a1bdf6995b","module_class":"","background_color":"#00aaa7","intro":"","h1":"Vantaggi di efficienza della tecnologia IA per la neurologia per EEG","insights_image":{"ID":14923,"id":14923,"title":"Efficiency AI_Insights 1300x500","filename":"Efficiency-AI_Insights-1300x500-1.png","filesize":963063,"url":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","link":"https:\/\/natus.com\/it\/insights\/vantaggi-di-efficienza-della-tecnologia-ia-per-la-neurologia-per-eeg\/efficiency-ai_insights-1300x500-2\/","alt":"How can Ai help improve efficiency for EEG neurodiagnostic professionals?","author":"2","description":"","caption":"","name":"efficiency-ai_insights-1300x500-2","status":"inherit","uploaded_to":24782,"date":"2023-10-12 21:02:58","modified":"2023-10-12 21:03:25","menu_order":0,"mime_type":"image\/png","type":"image","subtype":"png","icon":"https:\/\/natus.com\/wp-includes\/images\/media\/default.png","width":1300,"height":500,"sizes":{"thumbnail":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","thumbnail-width":128,"thumbnail-height":49,"medium":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","medium-width":1300,"medium-height":500,"medium_large":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1-768x295.png","medium_large-width":768,"medium_large-height":295,"large":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","large-width":1300,"large-height":500,"1536x1536":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","1536x1536-width":1300,"1536x1536-height":500,"2048x2048":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-1300x500-1.png","2048x2048-width":1300,"2048x2048-height":500}}}},{"acf_fc_layout":"simple_content","_acfe_flexible_layout_title":null,"_acfe_flexible_toggle":null,"content_full_width_landing":{"module_options":{"":null,"module_id":"n65235aa0431c8","module_class":"","module_background_type":"color","module_background_color":"#f1f1f1","module_background_image":false,"module_background_video":"","activate_custom_padding":false,"padding_top_desktop":0,"padding_top_tablet":"","padding_top_mobile":"","padding_bottom_desktop":"","padding_bottom_tablet":"","padding_bottom_mobile":"","activate_custom_margin":false,"margin_top_desktop":"","margin_top_tablet":"","margin_top_mobile":"","margin_bottom_desktop":"","margin_bottom_tablet":"","margin_bottom_mobile":"","disable_on":[],"content_alignment_desktop":"left","content_alignment_tablet":"left","content_alignment_mobile":"left"},"content":"<p>Nel panorama in rapida evoluzione dell\u2019informatica sanitaria, l\u2019IA \u00e8 emersa come una forza fondamentale per aiutare gli operatori sanitari a diventare pi\u00f9 efficienti. L\u2019adozione dell\u2019IA in campo medico \u00e8 variata a seconda delle specialit\u00e0 e delle applicazioni, con alcuni settori che si sono evoluti pi\u00f9 rapidamente di altri. Per molti anni, ad esempio, la cardiologia ha utilizzato l\u2019intelligenza artificiale per i test ECG e di imaging, per individuare pi\u00f9 facilmente sottili anomalie cardiache e fornire valutazioni pi\u00f9 tempestive. Lo stesso accade in ambito radiologico e mammografico, dove l\u2019utilizzo<a href=\"https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC7592467\/\" target=\"_blank\" rel=\"noopener\"> della tecnologia IA \u00e8 aumentato esponenzialmente nell\u2019ultimo decennio<\/a>.<sup>i<\/sup><\/p>\n<p>&nbsp;<\/p>\n<p>Le <a href=\"https:\/\/www.neurologyindia.com\/article.asp?issn=0028-3886;year=2018;volume=66;issue=4;spage=934;epage=939;aulast=Ganapathy\" target=\"_blank\" rel=\"noopener\">applicazioni dell\u2019IA in ambito neurologico sono molte<\/a>, dall\u2019abilitazione alla chirurgia robotica autonoma, alla previsione degli esiti degli interventi per l\u2019epilessia, fino alla classificazione automatica delle immagini per i neuro-oncologi.<sup>ii<\/sup><a href=\"#_ftn1\" name=\"_ftnref1\"><\/a> Tuttavia, nel campo in rapida evoluzione dell\u2019IA neurologica, alcuni dei maggiori benefici derivano <a href=\"https:\/\/jamanetwork.com\/journals\/jamaneurology\/fullarticle\/2806244\" target=\"_blank\" rel=\"noopener\">dall&#8217;uso dell\u2019IA per l\u2019interpretazione dell\u2019EEG.<\/a><sup>iii<\/sup> Man mano che questi strumenti si evolvono dai pi\u00f9 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\u2019efficienza, che sta portando a una riduzione dei costi e un miglioramento dei risultati sanitari.<\/p>\n<p>&nbsp;<\/p>\n<p>Le registrazioni EEG generano grandi quantit\u00e0 di dati, quindi non sorprende che negli ultimi quarant\u2019anni <a href=\"https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC8615531\/\">l\u2019apprendimento automatico sia stato utilizzato in qualche forma di classificazione EEG.<sup>iv<\/sup><\/a> Identificando rapidamente le potenziali anomalie, gli algoritmi tradizionali aiutano da tempo i neurologi e il personale medico di neurologia a dare priorit\u00e0 ai casi critici, consentendo interventi pi\u00f9 tempestivi per i pazienti con gravi disturbi neurologici. \u00c8 estremamente utile che esista gi\u00e0 un gran numero di registrazioni EEG convalidate, che forniscono agli strumenti IA ampie informazioni da cui imparare.<\/p>\n<p><a href=\"#_ftnref1\" name=\"_ftn1\"><\/a><\/p>\n<h6><\/h6>\n<h6><span style=\"color: #008b96;\"><strong>Affidarsi all\u2019IA per la revisione dell\u2019EEG<\/strong><\/span><\/h6>\n<p>Gli algoritmi avanzati di oggi sono addestrati su enormi serie di dati convalidati, che consentono agli strumenti di riconoscere sottili anomalie nelle forme d\u2019onda EEG che potrebbero sfuggire all\u2019osservazione umana. <a href=\"https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC6108188\/\" target=\"_blank\" rel=\"noopener\">L\u2019IA neurologica \u00e8 particolarmente preziosa negli scenari di monitoraggio a lungo termine,<\/a> dove \u00e8 essenziale identificare le tendenze o i cambiamenti nel tempo.<sup>v<\/sup> Segnalando automaticamente le deviazioni dai modelli di base, gli algoritmi garantiscono che i neurologi possano affrontare tempestivamente anche le condizioni neurologiche in rapida evoluzione.<sup>vi<\/sup><\/p>\n<p>&nbsp;<\/p>\n<p>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\u2019interpretazione dell\u2019EEG come risultato del monitoraggio a lungo termine (LTM), dell\u2019EEG ambulatoriale e di routine.<\/p>\n<p>&nbsp;<\/p>\n<p>In particolare, si prevede che gli strumenti di IA neurologica per l\u2019EEG riducano i tempi e aumentino l\u2019efficienza in diverse aree importanti, tra cui:<\/p>\n<ul>\n<li><span style=\"color: #008b96;\"><strong>Estrazione delle caratteristiche.<\/strong> <\/span>I segnali EEG sono complessi e contengono grandi quantit\u00e0 di informazioni, rendendo l\u2019estrazione di caratteristiche dai segnali EEG una componente fondamentale per il successo dell\u2019apprendimento automatico e in particolare degli algoritmi di deep learning. <a href=\"https:\/\/iopscience.iop.org\/article\/10.1088\/1741-2552\/ab260c\" target=\"_blank\" rel=\"noopener\">Le revisioni sistematiche sull\u2019uso dell\u2019intelligenza artificiale per la decodifica neurale dei segnali EEG <\/a> hanno mostrato enormi potenzialit\u00e0, in quanto gli algoritmi di deep learning eccellono nel riconoscere pattern intricati all\u2019interno di insiemi di dati grandi e complessi, identificando correlazioni nascoste all\u2019interno dei modelli di reti neurali che spesso sfuggono ai metodi tradizionali di interpretazione dell\u2019EEG.<sup>vii<\/sup><\/li>\n<\/ul>\n<ul>\n<li><strong><span style=\"color: #008b96;\">Rilevamento di eventi specifici. <\/span> <\/strong>Poich\u00e9 sono in grado di analizzare grandi quantit\u00e0 di dati, riconoscere pattern complessi e formulare previsioni precise, gli algoritmi possono riconoscere eventi specifici nelle registrazioni EEG pi\u00f9 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 capacit\u00e0 di estrarre automaticamente le caratteristiche rilevanti dai dati EEG, <a href=\"https:\/\/www.ncbi.nlm.nih.gov\/pmc\/articles\/PMC8718399\/\" target=\"_blank\" rel=\"noopener\">i modelli di deep learning come le reti neurali convoluzionali o ricorrenti <\/a>possono rilevare pi\u00f9 rapidamente e accuratamente gli eventi convulsivi, anche in registrazioni rumorose o complesse.<sup>viii<\/sup><\/li>\n<\/ul>\n<ul>\n<li><strong><span style=\"color: #008b96;\">Monitoraggio a lungo termine. <\/span><\/strong>Gli strumenti EEG basati sull\u2019intelligenza artificiale sono sempre pi\u00f9 preziosi per il monitoraggio a lungo termine (LTM), in cui vengono generati grandi volumi di dati nell\u2019arco di ore o giorni. Questi sistemi possono identificare automaticamente e dare priorit\u00e0 agli eventi clinicamente rilevanti, aiutando i medici a gestire le registrazioni prolungate in modo pi\u00f9 efficiente ed efficace. Tramite il riconoscimento dei pattern EEG individualizzati, correlati a condizioni specifiche o alle risposte al trattamento, l\u2019IA pu\u00f2 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.<\/li>\n<\/ul>\n<h6><\/h6>\n<h6><span style=\"color: #008b96;\"><strong>Interazione collaborativa tra uomo e IA<\/strong><\/span><\/h6>\n<p>Il Brookings Institute definisce il concetto di collaborazione uomo-macchina come una relazione composta da tre elementi: l\u2019uomo, la macchina e le interazioni e interdipendenze tra essi. Per compiti altamente complessi come l\u2019analisi dell\u2019EEG, l\u2019IA ha il potenziale per migliorare notevolmente i risultati quando viene utilizzata per aumentare e supportare le capacit\u00e0 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 ci\u00f2 che entrambi potrebbero ottenere indipendentemente. D\u2019altra parte, quando le competenze umane scarseggiano, gli strumenti di IA possono ridurre significativamente i tempi di diagnosi, migliorando l\u2019accesso alle cure neurologiche per le comunit\u00e0 remote e sottoservite.<\/p>\n<p>&nbsp;<\/p>\n<p>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\u2019algoritmo. Nel contesto di autoSCORE, tuttavia, il modello utilizza un algoritmo convalidato, che non apprende e che rimane coerente nel tempo per garantire affidabilit\u00e0 e riproducibilit\u00e0. <a href=\"https:\/\/natus.com\/neuro\/autoscore-ai\/\" target=\"_blank\" rel=\"noopener\">L\u2019immenso valore di autoSCORE<\/a> risiede nell\u2019applicazione di un quadro coerente e convalidato per il rilevamento automatico degli eventi, che l\u2019esperto umano poi esamina, convalida e interpreta. Questa divisione dei ruoli garantisce efficienza e coerenza senza compromettere la supervisione o il giudizio clinico.<\/p>\n<p>&nbsp;<\/p>\n<p>L\u2019integrazione dell\u2019intelligenza artificiale con l\u2019analisi EEG accelera processi che tradizionalmente potrebbero richiedere molte ore, aumentando significativamente l\u2019efficienza del personale medico di neurologia. Guardando al futuro, gli strumenti di IA per la neurologia promettono enormi opportunit\u00e0. I progressi nel deep learning e nel riconoscimento dei pattern continueranno a perfezionare il rilevamento degli eventi e ad aiutare a identificare anomalie ancora pi\u00f9 sottili in tempi sempre pi\u00f9 brevi. Con la sua evoluzione, l\u2019IA plasmer\u00e0 il futuro dell\u2019interpretazione e dell\u2019analisi EEG, collaborando con i medici per un approccio pi\u00f9 preciso, efficiente e incentrato sul paziente in ambito sanitario neurologico.<\/p>\n<p><!--HubSpot Call-to-Action Code --><span id=\"hs-cta-wrapper-a0cec4ab-373f-40cc-8133-bf16a3cf6595\" class=\"hs-cta-wrapper\"><span id=\"hs-cta-a0cec4ab-373f-40cc-8133-bf16a3cf6595\" class=\"hs-cta-node hs-cta-a0cec4ab-373f-40cc-8133-bf16a3cf6595\"><!-- [if lte IE 8]>\n\n\n<div id=\"hs-cta-ie-element\"><\/div>\n\n\n<![endif]--><a href=\"https:\/\/cta-redirect.hubspot.com\/cta\/redirect\/3002890\/a0cec4ab-373f-40cc-8133-bf16a3cf6595\" target=\"_blank\" rel=\"noopener\"><img decoding=\"async\" id=\"hs-cta-img-a0cec4ab-373f-40cc-8133-bf16a3cf6595\" class=\"hs-cta-img alignright\" style=\"border-width: 0px;\" src=\"https:\/\/no-cache.hubspot.com\/cta\/default\/3002890\/a0cec4ab-373f-40cc-8133-bf16a3cf6595.png\" alt=\"practical applications of artificial intelligence in EEG\" \/><\/a><\/span><\/span><br \/>\n<span id=\"hs-cta-wrapper-a0cec4ab-373f-40cc-8133-bf16a3cf6595\" class=\"hs-cta-wrapper\"><script src=\"https:\/\/js.hscta.net\/cta\/current.js\" charset=\"utf-8\"><\/script><script type=\"text\/javascript\"> hbspt.cta.load(3002890, 'a0cec4ab-373f-40cc-8133-bf16a3cf6595', {\"useNewLoader\":\"true\",\"region\":\"na1\"}); <\/script><\/span><!-- end HubSpot Call-to-Action Code --><\/p>\n<hr \/>\n<p><span style=\"font-size: 12px;\"><strong><span style=\"color: #008b96;\">FONTI<\/span><\/strong><\/span><\/p>\n<p><span style=\"font-size: 11px;\">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.<br \/>\n2. Ganapathy Krishnan, Abdul Shabbir Syed, Nursetyo Aldilas Achmad \u201cArtificial intelligence in neurosciences: A clinician&#8217;s perspective\u201d Neurology India 2018, Volume 66, Numero 4, Pagina 934-939<br \/>\n3. 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.<br \/>\n4. 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.<br \/>\n5. 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 \u2022 \u00a9 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<br \/>\n6. 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.<br \/>\n7. 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.<br \/>\n8. 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<br \/>\n9. Resnick, D. &amp; Wessel, D. (18 febbraio 2021). Building Trust in human-machine teams. Brookings. https:\/\/www.brookings.edu\/articles\/building-trust-in-human-machine-teams\/<\/span><\/p>\n<p><span style=\"font-size: 11px;\">052216 RevC<\/span><\/p>\n"}},{"acf_fc_layout":"related_articles","_acfe_flexible_layout_title":null,"_acfe_flexible_toggle":null,"related_articles":{"module_options":{"":null,"module_id":"n651a1bdf93439","module_class":"","module_background_type":"color","module_background_color":"","module_background_image":false,"module_background_video":"","activate_custom_padding":false,"padding_top_desktop":0,"padding_top_tablet":"","padding_top_mobile":"","padding_bottom_desktop":"","padding_bottom_tablet":"","padding_bottom_mobile":"","activate_custom_margin":false,"margin_top_desktop":"","margin_top_tablet":"","margin_top_mobile":"","margin_bottom_desktop":"","margin_bottom_tablet":"","margin_bottom_mobile":"","disable_on":[],"content_alignment_desktop":"left","content_alignment_tablet":"left","content_alignment_mobile":"left"},"intro_text":"Articoli correlati","intro_text_color":"#005e63","intro_link":{"type":"post","value":"1527","url":"https:\/\/natus.com\/insights\/","name":"Insights","title":"Visualizza tutti gli articoli","target":""},"source_type":"taxonomies","tiles":false,"news":[{"ID":12831,"post_author":"2","post_date":"2023-10-16 17:42:56","post_date_gmt":"2023-10-16 17:42:56","post_content":"","post_title":"Using continuous EEG monitoring in the ICU","post_excerpt":"","post_status":"publish","comment_status":"closed","ping_status":"closed","post_password":"","post_name":"using-continuous-eeg-monitoring-in-icu-benefits-obstacles","to_ping":"","pinged":"","post_modified":"2025-03-27 19:00:28","post_modified_gmt":"2025-03-27 19:00:28","post_content_filtered":"","post_parent":0,"guid":"https:\/\/natus.com\/?post_type=insights&#038;p=12831","menu_order":0,"post_type":"insights","post_mime_type":"","comment_count":"0","filter":"raw"},{"ID":24763,"post_author":"2","post_date":"2025-10-31 11:02:31","post_date_gmt":"2025-10-31 11:02:31","post_content":"","post_title":"4 motivi per cui i neurologi possono affidarsi all\u2019IA per l\u2019EEG","post_excerpt":"","post_status":"publish","comment_status":"closed","ping_status":"closed","post_password":"","post_name":"4-motivi-per-cui-i-neurologi-possono-affidarsi-allia-per-leeg","to_ping":"","pinged":"","post_modified":"2025-08-27 18:07:20","post_modified_gmt":"2025-08-27 18:07:20","post_content_filtered":"","post_parent":0,"guid":"https:\/\/natus.com\/insights\/4-reasons-neurologists-can-trust-ai-for-eeg\/","menu_order":0,"post_type":"insights","post_mime_type":"","comment_count":"0","filter":"raw"},{"ID":24728,"post_author":"2","post_date":"2023-10-18 11:00:05","post_date_gmt":"2023-10-18 11:00:05","post_content":"","post_title":"5 vantaggi chiave dell\u2019intelligenza artificiale per l\u2019EEG","post_excerpt":"","post_status":"publish","comment_status":"closed","ping_status":"closed","post_password":"","post_name":"5-vantaggi-chiave-dellintelligenza-artificiale-per-leeg","to_ping":"","pinged":"","post_modified":"2025-08-26 15:42:19","post_modified_gmt":"2025-08-26 15:42:19","post_content_filtered":"","post_parent":0,"guid":"https:\/\/natus.com\/insights\/5-key-benefits-artificial-intelligence-for-eeg\/","menu_order":0,"post_type":"insights","post_mime_type":"","comment_count":"0","filter":"raw"}],"taxonomies":["483"],"how_many_posts":"2","read_more_button_title":""}}],"category_image":{"ID":14918,"id":14918,"title":"Efficiency AI_Insights 500x400","filename":"Efficiency-AI_Insights-500x400-1.png","filesize":333131,"url":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","link":"https:\/\/natus.com\/it\/insights\/vantaggi-di-efficienza-della-tecnologia-ia-per-la-neurologia-per-eeg\/efficiency-ai_insights-500x400-2\/","alt":"How can Ai help improve efficiency for EEG neurodiagnostic professionals?","author":"2","description":"","caption":"","name":"efficiency-ai_insights-500x400-2","status":"inherit","uploaded_to":24782,"date":"2023-10-12 21:02:38","modified":"2024-07-30 14:58:56","menu_order":0,"mime_type":"image\/png","type":"image","subtype":"png","icon":"https:\/\/natus.com\/wp-includes\/images\/media\/default.png","width":500,"height":400,"sizes":{"thumbnail":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","thumbnail-width":120,"thumbnail-height":96,"medium":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","medium-width":500,"medium-height":400,"medium_large":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","medium_large-width":500,"medium_large-height":400,"large":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","large-width":500,"large-height":400,"1536x1536":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","1536x1536-width":500,"1536x1536-height":400,"2048x2048":"https:\/\/natus.com\/wp-content\/uploads\/Efficiency-AI_Insights-500x400-1.png","2048x2048-width":500,"2048x2048-height":400}}},"_links":{"self":[{"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insights\/24782","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insights"}],"about":[{"href":"https:\/\/natus.com\/it\/wp-json\/wp\/v2\/types\/insights"}],"author":[{"embeddable":true,"href":"https:\/\/natus.com\/it\/wp-json\/wp\/v2\/users\/2"}],"version-history":[{"count":6,"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insights\/24782\/revisions"}],"predecessor-version":[{"id":26075,"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insights\/24782\/revisions\/26075"}],"wp:attachment":[{"href":"https:\/\/natus.com\/it\/wp-json\/wp\/v2\/media?parent=24782"}],"wp:term":[{"taxonomy":"insight_type","embeddable":true,"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insight_type?post=24782"},{"taxonomy":"insights_category","embeddable":true,"href":"https:\/\/natus.com\/it\/wp-json\/natus\/insights_category?post=24782"},{"taxonomy":"insights_tag","embeddable":true,"href":"https:\/\/natus.com\/it\/wp-json\/wp\/v2\/insights_tag?post=24782"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}