A beteg és a mesterséges intelligencia együttműködése az epilepszia valós idejű kezelésében
A Nature Medicine tanulmánya olyan, valós idejű EEG-adatokhoz kapcsolt, társalgási mesterséges intelligenciát alkalmazó platform megvalósíthatóságát vizsgálta, amely epilepsziás betegeknek közvetít élettani információkat, és visszajelzéseiket a rohamfelismerő algoritmusok személyre szabásához használja fel.
Kétirányú kommunikáció az EEG-monitorozásban
A világszerte epilepsziával élő mintegy 70 millió ember több mint egyharmadánál gyógyszeres kezeléssel sem érhető el megfelelő rohamkontroll. Az implantálható eszközök javíthatják a rohamgyakoriságot, azonban a rohammentesség ritka. A jelenlegi rendszerek további korlátja, hogy az általuk rögzített, klinikailag értékes információkat nem tudják valós időben megosztani a betegekkel, és a betegek tapasztalatait sem képesek közvetlenül beépíteni működésükbe.
Zack Goldblum és munkatársai olyan platformot fejlesztettek, amely összekapcsolja a folyamatos EEG-monitorozást, a felhőalapú adatelemzést és az okostelefonos kommunikációt. A rendszer nemcsak értesítéseket küld, hanem lehetővé teszi az egyéni adatok lekérdezését, a tünetek rögzítését és az automatikusan észlelt események beteg általi megerősítését vagy elutasítását.
Tizenhárom beteggel végzett megvalósíthatósági vizsgálat
A prospektív, egycentrumos, megfigyeléses kutatásba a Pennsylvaniai Egyetem kórházának epilepszia-monitorozó egységében 13 felnőttet vontak be. Tizenegy résztvevőnél skalp-, kettőnél intracranialis EEG-monitorozást végeztek. Az átlagéletkor 43,23 év volt, a mintában hét nő és hat férfi szerepelt; tíz esetben temporalis lokalizációt írtak le.
A kórházi tartózkodás mediánja 4,87 nap, a tényleges vizsgálati részvételé 4,01 nap volt. A standard ellátást és kezelést nem módosították. A beválasztáshoz megfelelő beleegyezési képesség, okostelefon-használat és angol nyelvtudás kellett; az érdemi kommunikációt akadályozó kognitív károsodás kizárási feltételnek számított.
A rendszer az EEG-ből rohamvalószínűséget, interictalis epileptiform kisüléseket és alvásstádiumokat határozott meg. Az elemzést a gyógyszerelési dokumentációból becsült rohamellenesgyógyszer-terheléssel és az agyi fázisszinkronizáció mérésével egészítették ki. A betegek naponta három, hangulatra, szorongásra, kognitív működésre, stresszre és fáradtságra vonatkozó kérdőívet kaptak; reggel az alvás szubjektív értékelése is megtörtént.
Elkülönített társalgási és adatlekérdezési feladatok
A GPT-4o-mini nyelvi modellre épülő felület két üzemmódban működött. Az általános társalgási funkció a szubjektív élmények, érzések és tünetek rögzítését támogatta. Az adatlekérdező komponens strukturált adatbázisból hívta le a beteghez tartozó információkat, majd szövegesen és ábrák segítségével válaszolt.
A nyelvi modell szerepét információközlésre és adatlekérdezésre korlátozták, nem önálló klinikai döntéshozatalra. Magát a nyelvi modellt nem tanították tovább: a betegjelzések alapján végzett finomhangolás a különálló rohamfelismerő algoritmusokat érintette. A társalgási válaszok medián késleltetése 1,95 másodperc, az adatlekérdezéseké 8,69 másodperc volt. Az adatlekérdező komponens 38 értékelt feladatból 35-öt oldott meg helyesen, ami 92,1%-os pontosságnak felelt meg.
A betegek érdemi visszajelzéseket adtak
Összesen 1307 üzenetváltást elemeztek. Az interakciók 68,9%-át a rendszer, 31,1%-át a betegek kezdeményezték. A betegektől induló üzenetek túlnyomó része általános társalgás volt; a célzott adatlekérdezések elsősorban rohamokra, alvásra és az interictalis kisülések gyakoriságára vonatkoztak.
Az 58 valós idejű rohamértesítés 67,2%-ára érkezett válasz. A betegek kilenc eseményt rohamként erősítettek meg, huszonkettőt téves riasztásként jelöltek, nyolcnál bizonytalanok voltak. Ezek a válaszok lehetőséget teremtettek arra, hogy az algoritmus ne pusztán passzívan figyelje az EEG-t, hanem a beteg tapasztalataiból is tanuljon.
A reggeli kérdőíveket 62,5%-os arányban töltötték ki, szemben a délutáni 43,8%-kal és az esti 54,2%-kal. A használhatóságot értékelő System Usability Scale átlagpontszáma 83/100 volt, de ezt mindössze öt résztvevő válaszai alapján számították. Öt beteg külön kérte, hogy később járóbetegként is hozzáférhessen a platformhoz.
Jelentősen ritkultak a téves riasztások
A rohamfelismerés személyre szabását pszeudoprospektív szimulációban értékelték: az algoritmusokat időrendben korábbi betegjelzésekkel finomhangolták, majd későbbi, korábban nem látott adatokon tesztelték. A tényleges beteginterakciók során biztonsági megfontolásból kizárólag a validált kiindulási modellek működtek; a továbbtanított változatok nem irányították az élő riasztásokat.
Először a klinikai ellátásban használt rohamjelző gomb megnyomásait alkalmazták tanítási címkeként, mind a 13 betegnél. A modellek előre meghatározott feltételek teljesülésekor háromóránként frissültek. A teljes kórházi tartózkodást modellező elemzésben az óránkénti téves riasztások mediánja 0,469-ről 0,097-re csökkent; a közölt relatív csökkenés 77,2% volt. Az F1-mutató 0,063-ról 0,160-ra emelkedett, a kiindulási érzékenység megőrzése mellett.
Az alkalmazáson keresztül gyűjtött visszajelzések hatását hat beteg adataival elemezték. Ebben a szimulációban a téves riasztási ráta 0,736-ról 0,104/órára mérséklődött, 80,0%-os csökkenéssel; az F1-mutató 0,021-ról 0,143-ra javult. Mindkét változás statisztikailag szignifikáns volt, korrigált p=0,038 értékkel.
Az eredmények mellett fontos különbség, hogy a visszajelzések pontossága nem jelentett teljes körű rohamazonosítást. Az alkalmazás értesítési és betegmegerősítési folyamatán keresztül az 59 szakértőileg igazolt rohamból összesen ötöt azonosítottak, ami 8,5%-os összesített érzékenységnek felelt meg. A ritkán rendelkezésre álló betegjelzések tehát hasznos tanítási információt szolgáltattak, de önmagukban nem biztosítottak teljes rohamnaplót.
Szakértői ellenőrzés és adatbiztonság
Kiegészítő megközelítésként naponta tíz, egyenként 90 másodperces, bizonytalan algoritmikus besorolású EEG-szakaszt választottak ki szakértői címkézésre. Az öt beteggel végzett szimulációban ez 82,6%-kal csökkentette a téves riasztási rátát, miközben az F1-mutató is javult. A módszer célja az orvosi ellenőrzés célzott, időtakarékos bevonása volt.
Minden bejövő betegüzenet és kimenő gépi válasz biztonsági szűrésen ment át, és a kutatók naponta ellenőrizték a kommunikációt. Nem találtak veszélyes vagy klinikailag helytelen üzenetet. Az adatfeldolgozás az intézmény HIPAA-megfelelő felhőkörnyezetében zajlott. A résztvevők tudták, hogy kutatási prototípust használnak, és panaszaikkal először az ellátócsapathoz, illetve a klinikai rohamjelző rendszerhez kell fordulniuk.
A betegadatok elkülönítését szerveroldali, egyedi betegazonosítóhoz kötött hozzáférési korlátozások biztosították. Az adatlekérdezéseket és eredményeiket naplózták, így a számszerű állításokat össze lehetett vetni az alapul szolgáló adatbázissal. A biztonsági szűrő hat betegüzenetet blokkolt; utólag valamennyit ártalmatlannak minősítették. A szerzők ugyanakkor hangsúlyozzák, hogy tartós alkalmazáskor az automatizált rendszerre való túlzott támaszkodás, a bizonytalanság megfelelő közlése és a klinikai felelősség megosztása külön figyelmet igényel.
A klinikai előny még igazolásra vár
A kis esetszám, a rövid követés és a technológia iránt érdeklődő betegek lehetséges felülreprezentáltsága korlátozza az általánosíthatóságot. A monitorozó egységben gyógyszercsökkentés és diagnosztikus célú rohamprovokáció történhet, ezért az ottani tapasztalatok nem azonosíthatók az otthoni használattal. Az alkalmazás rövid kérdőívei nem validált, epilepsziaspecifikus klinikai végpontokat mértek.
A finomhangolás után fennmaradó napi 2–4 téves riasztás továbbra is megterhelő lehet, és a rohamfelismerés érzékenysége nem javult. A vizsgálat a kétirányú kommunikáció és a betegjelzésekre épülő algoritmus-adaptáció megvalósíthatóságát támasztja alá, nem a rohamgyakoriság, a sürgősségi ellátások vagy az életminőség bizonyított javulását. Ezek értékeléséhez hosszabb, járóbeteg-környezetben végzett vizsgálatok szükségesek.
A szerzők a későbbi értékelésben a betegek, gondozók, ellátók és finanszírozók számára kimutatható előnyöket tekintik meghatározónak. A platform más eszközökhöz is illeszthető lehet: tervezett alkalmazásai között említik a Parkinson-kórban használt mélyagyi stimuláció programozását. Az epilepszián kívüli felhasználás azonban itt még fejlesztési irány, nem a bemutatott vizsgálattal igazolt eredmény vagy bizonyított terápiás előny a mindennapi betegellátás gyakorlatában.
Forrás: Goldblum Z, Shi H, Xu Z, et al. Human–artificial intelligence collaboration for comanaging epilepsy in real time. Nature Medicine. 2026. doi:10.1038/s41591-026-04680-4.
Ez a cikk mesterséges intelligencia segítségével készült, majd szerkesztőségünk áttekintette, korrigálta és jóváhagyta. A hivatkozott forrásokat szerkesztőségünk választotta, és a tartalom pontosságának, időszerűségének biztosítása érdekében a szöveget az eredeti forrással összevetette.
