Epilepsia on neurologinen sairaus, jonka aiheuttamista kohtauksista voi seurata potilaille elämää haittaavia oireita tai kehitysviivettä. Havaitsemattomat kohtaukset nostavat kuolleisuutta ja sairastavuutta, joten kohtausten dokumentoinnin parantaminen on tärkeää.
Epilepsian hoidon ja kohtausten tiheyden seurannassa on jo pitkään käytetty kohtauspäiväkirjoja. Erityisesti yöaikaiset kohtaukset ovat kuitenkin dokumentoinnin kannalta haasteellisia ja nakertavat hoidon tehoa. Koska tekoälypohjaisen automatisoidun videoanalyysin tutkimus on viime vuosina kasvanut räjähdysmäisesti, se on mahdollistanut myös tekoälypohjaisten kohtausdokumentointilaitteistojen kehittämisen.
Petri Ojanen selvitti väitöstutkimuksessaan, voisiko tekoäly auttaa tunnistamaan ja luokittelemaan kohtaukset automaattisesti. Tässä hän hyödynsi tekoälypohjaista liikesignaalianalyysia videodatasta, joka potilaista oli kuvattu. Tutkimuksessa käytettiin tamperelaisen Neuro Event Labs Oy:n Nelli®-laitteistoa. Ojanen myös vertasi, miten tekoälypohjaisten kohtausdokumentointilaitteiston ja kohtauspäiväkirjojen kohtausten dokumentoinnit erosivat toisistaan.
Tutkimustulosten perusteella laitteisto havaitsi lähes kaikki yöaikaiset kohtaukset kuvatusta videosta ja erotti ne normaalista unenaikaisesta liikehdinnästä. Lisäksi tulosten perusteella videomonitorointilaitteiston tarkkuus oli selkeästi korkeampi kuin kohtauspäiväkirjojen. Tällä on vaikutusta tulosten tulkintaan ja mahdollisesti siten myös hoidon suunnittelemiseen.
– Kohtauspäiväkirjojen ja videopohjaisen dokumentoinnin aiheuttamat tulosten tulkinnan erot voivat ohjata hoitavaa lääkäriä eri tavalla hoidon suunnittelussa. Tutkimukseni perusteella videopohjaisen laitteiston käytöstä on hyötyä potilaiden hoidossa. Automaattinen kohtausdokumentointi tuotti myös lupaavia tuloksia laitteiston jatkokehitystä ajatellen, Ojanen kertoo.
Yliopistosairaaloissa käytössä olevat video-EEG-järjestelmät ovat käytännön sovelluksia videopohjaisesta kohtausten dokumentoinnista. Niiden käyttö on kuitenkin kallista ja potilaalle kuormittavampaa verrattuna Ojasen tutkimaan laitteistoon. Näin ollen laitteiston kehitystyön myötä voitaisiin saada myös kustannussäästöjä.
– Viimeaikaisen tutkimuksen mukaan myös kohtausten automaattinen luokittelu kohtausten ilmiasun perusteella on mahdollista, kun tekoälyä opetettiin luokittelemaan erityyppisiä kohtauksia videon pohjalta. Tämä on laitteen ensiaskel kohti automaattista kohtausten luokittelua, joka olisi merkittävä lisä automaattisen kohtauksia havaitsevan laitteiston kehittämisessä, Ojanen sanoo.
Väitöstilaisuus perjantaina 10. toukokuuta
LL Petri Ojasen lääketieteen tekniikan alaan kuuluva väitöskirja Machine learning in video-based monitoring of epilepsy patients: feasibility in seizure detection, classification and documentation tarkastetaan julkisesti Tampereen yliopiston lääketieteen ja terveysteknologian tiedekunnassa perjantaina 10.5.2024 kello 12 alkaen Arvo-rakennuksen auditoriossa F025 (Arvo Ylpön katu 34). Vastaväittäjänä toimii professori João Cunha Porton yliopistosta. Kustoksena toimii neurologian professori Jukka Peltola Tampereen yliopistosta.