ხელოვნურ ინტელექტზე დაფუძნებული ალგორითმის ENCEVIS ეფექტურობა ეპილეფსიის მონიტორინგის განყოფილებაში: მულტიფაქტორული ანალიზი
DOI:
https://doi.org/10.52340/jecm.2025.06.11საკვანძო სიტყვები:
EEG, Automated seizure detection, Seizure duration, Seizure localization, AIანოტაცია
კვლევის მიზანი: ელექტროენცეფალოგრამის ანალიზის ხელოვნურ ინტელექტზე დაფუძნებული ალგორითმის ENCEVIaS ეფექტურობის შესწავლა გულყრების ამოცნობაში. ასევე გულყრების ამოცნობის მგრძნობელობაზე ისეთი მახასიათებლების გავლენა, როგორიცაა ეპილეპტოგენური ზონა, რითმულობა და ხანგრძლივობა.
მეთოდი: ჩვენი პროსპექტული კვლევა ჩატარდა ს. ხეჩინაშვილის სახელობის საუნივერსიტეტო კლინიკაში 2019 წლიდან 2023 წლამდე. კვლევაში ჩაერთო 267 ხანგრძლივი ეეგ ჩანაწერი. ნეიროფიზიოლოგების მიერ ენცეფალოგრამის ტრადიციული ვიზუალური შეფასებით განისაზღვრა ეპილეპტოგენური ზონა, შეტევების ხანგრძლივობა და ეპილეპტიფორმული აქტივობის რითმულობა. ჭეშმარიტ დადებითად ჩაითვალა ალგორითმის მიერ გულყრის ამოცნობა შემდეგი დროის ფანჯარაში: ეპილეფსიურ გულყრის დაწყებამდე 30 წმ და შეტევის დასრულების შემდეგ 60 წამი. მულტივარიანტული რეგრესიის მეთოდით შეფასდა ალგორითმის ჭეშმარიტად დადებით დეტექციაზე ისეთი ფაქტორების გავლენა, როგორიცაა ლოკალიზაცია, რითმულობა, ხანგრძლივობა, ასევე ვარიანტები რითმულობა ხანგრძლივობასთან ერთად და ლოკალიზაცია რითმულობასთან ერთად.
შედეგები: კვლევის პერიოდში ჯამში დაფიქსირდა 114 ეპილეფსიური გულყრა. ENCEVIS-მა სწორად ამოიცნო 65 (მგრძნობელობა 57%). საფეთქლის წილში ეპილეპტოგენური ზონის ლოკალიზაციის დროს ალგორითმის მიერ გულყრების ამოცნობა იყო (71%, <0.05), გენერალიზებული ტონური გულყრებისთვის (35.1%). ალგორითმი სარწმუნოდ უკეთ ამოიცნობდა შეტევებს რითმული პატერნებით, არითმულ პატერნებთან შედარებით (71.4% vs 22.7%, p<0.05). ალგორითმი ყველაზე კარგად ამოიცნობდა 38-68 წმ ხანგრძლივობის შეტევებს. ლოგიკური რეგრესიის მეთოდით შეტევების ამოცნობაზე ყველაზე დიდ გავლენას ახდენდა რითმულობა (OR = 2.13), ამოცნობასთან ასევე პოზიტიურად კორელირებდა ვარიანტი - რითმულობა ხანგრძლივობასთან ერთად (OR = 1.61). დამოუკიდებლად ლოკალიზაცია და/ან ხანგრძლივობა გულყრის დეტექციისთვის მნიშვნელოვან ფაქტორს არ წარმოადგენდა.
დასკვნა: ENCEVIS კარგად ამოიცნობს რითმულ და საშუალო ხანგრძლივობის (38-68წმ) საფეთქლის ლოკალიზაციის შეტევებს. არითმული ხანმოკლე ტონური შეტევების შემთხვევაში ალგორითმის სენსიტიურობა დაბალია. ალგორითმში გულყრების მულტიფაქტორული მახასიათებლების ჩართვა გაზრდის მის მგრძნობელობას სხვადასხვა ტიპის შეტევების ამოცნობაში და გაამარტივებს იმპლემენტაციას კლინიკურ საქმიანობაში.
Downloads
წყაროები
Tatum WO, Rubboli G, Kaplan PW, et al. Clinical utility of EEG in diagnosing and monitoring epilepsy in adults. Clin Neurophysiol. 2018;129(5):1056-1082. doi:10.1016/j.clinph.2018.01.019
Brogger J, Eichele T, Aanestad E, et al. Visual EEG reviewing times with SCORE EEG. Clin Neurophysiol Pract. 2018;3:59-64. doi:10.1016/j.cnp.2018.03.002
Benbadis SR, Lin K. Errors in EEG interpretation and misdiagnosis of epilepsy: which EEG patterns are overread? Eur Neurol. 2008;59(5):267-71. doi: 10.1159/000115641.
Reus, E. E. M., Visser, G. H., van Dijk, J. G., & Cox, F. M. E. (2022). Automated seizure detection in an EMU setting: Are software packages ready for implementation? Seizure, 96, 13-17. https://doi.org/10.1016/j.seizure.2022.01.009
Koren, J., Hafner, S., Feigl, M., Baumgartner, C. (2021). Systematic analysis and comparison of commercial seizure-detection software. Epilepsia, 62, 426-438. https://doi.org/10.1111/epi.16812
Fürbass, F., Kampusch, S., Kaniusas, E., Koren, J., Pirker, S., Hopfengärtner, R., Stefan, H., Kluge, T., & Baumgartner, C. (2017). Automatic multimodal detection for long-term seizure documentation in epilepsy. Clinical Neurophysiology, 128, 1466-1472. https://doi.org/10.1016/j.clinph.2017.05.013
Fürbass F, Kampusch S, Kaniusas E, et al. Automatic multimodal detection for long-term seizure documentation in epilepsy. Clin Neurophysiol. 2017;128:1466-1472. doi:10.1016/j.clinph.2017.05.013
Tsereteli A, Okujava N, Malashkhia N, Liluashvili K, Weerd A. The ENCEVIS algorithm in the EMU and the factors affecting its performance: our experience. Epilepsy Behav Rep. 2024;26:100656. doi:10.1016/j.ebr.2024.100656
Fürbass F, Ossenblok P, Hartmann M, et al. Prospective multi-center study of an automatic online seizure detection system for epilepsy monitoring units. Clin Neurophysiol. 2015;126(6):1124-1131. doi:10.1016/j.clinph.2014.09.023
ჩამოტვირთვები
გამოქვეყნებული
როგორ უნდა ციტირება
გამოცემა
სექცია
