В Корее представили технологию, позволяющую измерить ощущение боли, испытуемое человеком, с помощью мозговых волн
- 2 часа назад
- 3 мин. чтения
Корреспондент Гу Бон Хёк
- Совместное исследование DGIST и GIST: реализация ИИ для классификации интенсивности боли на основе анализа мозговых волн при температурном раздражении
Боль [Getty Images Bank]
Разработана технология, позволяющая объективно и количественно определять интенсивность боли независимо от того, может ли пациент выразить свои ощущения.
26 мая исследовательская группа под руководством старшего научного сотрудника Ан Чжин Уна из Центра инноваций промышленных ИИ-транформаций DGIST (Научно-технический институт Дэгу-Кёнбук) объявила о разработке технологии, позволяющей объективно классифицировать интенсивность боли путем анализа мозговых волн (ЭЭГ), вызванных температурным раздражителем, с помощью искусственного интеллекта (ИИ). Эта технология разработана в рамках совместного исследования с командой под руководством профессора Чон Сон Чхана из GIST (Научно-технический институт Кванджу).
Хроническая боль, от которой страдает каждый пятый взрослый, является одной из наиболее распространенных причин обращения в больницы во всем мире. Однако до сих пор не существовало способа объективно измерить интенсивность боли, ощущаемой пациентом, подобно артериальному давлению или температуре тела. В результате оценки одной и той же боли различались, а в случаях, когда общение затруднено, например, с пациентами в состоянии пониженного сознания, детьми или пожилыми людьми, точная оценка была затруднена. Это приводит к тому, что лечение ориентируется не на устранение первопричины, а на сиюминутное облегчение симптомов, что в долгосрочной перспективе может вызвать побочные эффекты, такие как лекарственная устойчивость или зависимость.
Исследовательская группа под руководством старшего научного сотрудника Ан Чжин Уна разработала технологию, позволяющую классифицировать интенсивность боли на основе анализа мозговых волн, возникающих при воздействии различных температурных стимулов, с помощью искусственного интеллекта. В частности, в отличие от существующих методов, при которых система обучается на основе субъективных оценок боли пациентов, реализована инновационная алгоритмическая модель, в которой две модели искусственного интеллекта сравнивают результаты своих прогнозов и выборочно обучаются только на данных с высокой степенью достоверности. Благодаря этому удалось эффективно снизить предвзятость в интерпретации боли, которая у каждого человека своя.
Общий процесс предлагаемого метода классификации уровня боли на основе данных ЭЭГ.
Определение уровня приоритета для ранжирования отдельных выборок.
Процедура для теплых, холодных и TGI-стимулов и выбора уровня боли на основе шкалы NRS.
Влияние стратегии отбора выборок (SS) на точность различных архитектур базовых моделей. Данная оценка основана на задаче классификации с 6 классами.
Изменения коэффициента забывания в течение эпох обучения для наиболее эффективной комбинации, определенной на рисунке 8.
Точность классификации в зависимости от коэффициента забывания (FR) и коэффициента прогрева (WR), где FR обозначает долю образцов, удаленных во время обучения, а WR — долю эпох обучения, необходимых для достижения целевого значения FR.
Каналы, связанные с прогнозированием уровня боли в разных частотных диапазонах, визуализированные с помощью карт значимости. Карты были получены из моделей, обученных на 6-классовой классификации, и усреднены по данным испытуемых. Низкий, средний и высокий уровни соответствуют оценкам боли по шкале NRS 0, 5–6 и 9–10 соответственно.
Показатель Macro-F1 классификационных моделей, обученных на разных частотных диапазонах (от дельта до гамма). Полосовые фильтры, примененные на этапе предварительной обработки, определили диапазоны следующим образом: дельта (0,5–4 Гц), тета (4–8 Гц), альфа (8–12 Гц), бета (12–30 Гц) и гамма (30–50 Гц).
Ан Чжин Ун (слева направо), ведущий научный сотрудник DGIST, Чон Ы Чжин, постдокторант, и Чон Сон Чхан, профессор GIST [Предоставлено DGIST]
Когда исследовательская группа провела испытание с данными мозговых волн 41 реального пациента, она добилась значительного улучшения производительности по сравнению с существующими моделями и подтвердила стабильность прогнозов даже в новых, не изученных ранее условиях стимуляции. Кроме того, было выявлено, что активность дельта-волн в левой и правой передневисочной области тесно связана с интенсивностью боли, что создало нейрофизиологическую основу для разработки цифровых биомаркеров на основе данных мозга.
Ожидается, что в будущем эта технология будет использоваться для мониторинга боли во время и после операций, отслеживания динамики состояния пациентов с хронической болью, а также для объективной оценки боли в отделениях интенсивной терапии и реабилитационных центрах.
«Данное исследование напрямую затрагивает проблему субъективного смещения в самоотчетах, которая была хроническим ограничением анализа боли на основе ЭЭГ» - сказал ведущий научный сотрудник Ан Чжин Ун, добавив: «Если дополнительная клиническая верификация и получение разрешений на медицинское оборудование пройдут гладко, коммерциализация будет возможна в течение 1–2 лет».
Результаты данного исследования, проведенного при поддержке Корейского фонда научных исследований, опубликованы в майском номере международного научного журнала в области реабилитационной инженерии «IEEE Transactions on Neural Systems and Rehabilitation Engineering».
Комментарии