Epilepsiaan liittyvien lihasnykäysoireiden vaikeusastetta voidaan arvioida luotettavasti tekoälyn avulla, osoittaa juuri julkaistu tutkimus. Tekoälypohjaisella työkalulla analysoitiin videotallenteita myoklonusepilepsiaa sairastavista potilaista. Kuopion yliopistollisen sairaalan, Itä-Suomen yliopiston ja Neuro Event Labs Oy:n toteuttaman tutkimuksen tulokset julkaistiin Seizure-lehdessä.
Myoklonia eli äkilliset lihasnykäykset ovat kaikkein hankalin ja lääkehoidolle huonoimmin reagoiva oire suomalaiseen tautiperintöön kuuluvassa etenevässä tyypin 1 myoklonusepilepsiassa (EPM1). Myoklonia on ärsykeherkkää ja sen vaikeusaste vaihtelee päivän aikana. Myös unen puute ja ahdistuneisuus vaikuttavat myoklonian oireiden pahenemiseen. Tämän vuoksi lääkärit ja lääketeollisuus ovat kaivanneet automaattisia työkaluja parantamaan lääkevasteen ja taudin etenemisen seurannan luotettavuutta.
Nyt julkaistun tutkimuksen tavoitteena oli tarjota nopea, objektiivinen ja automaattinen menetelmä myoklonian arviointiin videotallenteesta. Terveysteknologiayritys Neuro Event Labs on kehittänyt algoritmin, joka hyödyntää oppivia neuroverkkoarkkitehtuureja ja ennalta opetettuja mallinnuksia kehon tärkeiden pisteiden tunnistamiseksi ja seuraamiseksi ja niiden liikkeiden mallintamiseksi myokloniassa.
Tällä hetkellä vakiintunein menetelmä myoklonian arviointiin on UMRS-testipaneeli, jossa lääkäri pisteyttää oireet vaikeusasteen mukaan videotallenteen perusteella. Tutkimuksessa arvioitiin kymmenen videonauhoitettua UMRS-testipaneelia uudella menetelmällä, joka perustuu automaattiseen kehon osien tunnistamiseen ja myoklonisten liikkeiden mallintamiseen. Tutkimus osoitti, että automatisoitu analyysi onnistui menestyksekkäästi tunnistamaan ja seuraamaan ennalta määriteltyjen kehon pisteiden liikettä. Tämän lisäksi menetelmä havaitsi ja pisteytti myokloniset nykäykset onnistuneesti analysoimalla liikkeiden sujuvuutta ja nopeuden muutoksia. Automatisoitu myoklonisten liikkeiden pisteytys korreloi hyvin kokeneen lääkäritutkijan potilaalle tekemän UMRS-testipisteytyksen kanssa.
Tulosten perusteella EPM1-potilaiden myoklonisten nykäysten vaikeusastetta voidaan luotettavasti arvioida tutkimuksessa käytetyllä menetelmällä. Automaattinen analyysi korreloi hyvin lääkärin arvion kanssa. Algoritmi pystyi tehokkaasti mallintamaan liikkeen sujuvuuden ja havaitsi riittävän herkästi myös hankalasti mitattavat pienet ja nopeat myokloniat.
Lisätietoja:
Jelena Hyppönen jelena.hypponen (at) kuh.fi
CEO Kaapo Annala kaapo.annala (at) neuroeventlabs.com, https://neuroeventlabs.com
Professori Reetta Kälviäinen reetta.kalviainen (at) uef.fi, p. +358405839249
Artikkeli: J. Hyppönen, A. Hakala, K. Annala, H. Zhang, J. Peltola, E. Mervaala, R. Kälviäinen Automatic assessment of the myoclonus severity from videos recorded according to standardized Unified Myoclonus Rating Scale protocol and using human pose and body movement analysis. Seizure: European Journal of Epilepsy. https://authors.elsevier.com/a/1aWcP_O5FHQsj9
Mittauspisteet kehossa sekä ranteen liikettä kuvaava raakadata ja algoritmi.