Onderzoekers van de Universiteit Twente en Medisch Spectrum Twente hebben AI-software ontwikkeld die de beoordeling van langdurige EEG-registraties bij verdenking op epilepsie drastisch versnelt. Waar een neuroloog voorheen tot drie uur nodig had om een 24-uurs EEG handmatig te analyseren, kan dat proces dankzij kunstmatige intelligentie worden teruggebracht tot tien à vijftien minuten.
De technologie moet het mogelijk maken om langere hersenmetingen vaker in te zetten binnen de epilepsiediagnostiek. Dat is relevant, omdat langdurige EEG-registraties doorgaans betrouwbaardere informatie opleveren dan de gebruikelijke routine-EEG’s van ongeveer twintig minuten.
Epilepsie komt voor bij ongeveer één procent van de bevolking, maar de diagnose is niet altijd eenvoudig te stellen. EEG-onderzoek speelt daarin een belangrijke rol, omdat het specifieke afwijkingen in de elektrische activiteit van de hersenen zichtbaar kan maken. Juist die afwijkingen zijn echter vaak moeilijk te vinden.
AI zoekt naar ‘spelden in een hooiberg’
Volgens neuroloog en klinisch neurofysioloog Michel van Putten van MST zijn de afwijkende patronen waar artsen naar zoeken vaak zeer kort en zeldzaam. Het gaat om zogenoemde interictale epileptiforme ontladingen: elektrische signalen die kunnen wijzen op epilepsie. “Die signalen duren vaak maar enkele honderden milliseconden en komen soms slechts enkele keren voor in een volledige 24-uursregistratie,” aldus Van Putten. “Dat maakt de analyse tijdrovend en intensief.”
Om die reden ontwikkelden onderzoekers van de Universiteit Twente en MST het project AI4EPI. Met behulp van machine learning analyseert het systeem grote hoeveelheden EEG-data en markeert het segmenten waarin mogelijk epileptiforme activiteit voorkomt. Artsen hoeven daardoor niet langer de volledige registratie handmatig door te nemen, maar kunnen zich richten op de door AI geselecteerde fragmenten.
De uiteindelijke interpretatie blijft daarbij nadrukkelijk in handen van de medisch specialist. De software functioneert als beslisondersteuning en niet als vervanging van de arts.
Digitale assistent
Tijdens de ontwikkeling van AI4EPI ontstond een tweede project: ALICE. Dat systeem moet niet alleen afwijkingen herkennen, maar ook uitleg geven over de mogelijke betekenis ervan.
Universitair hoofddocent Maryam Amir Haeri omschrijft ALICE als een digitale assistent voor de klinische praktijk. Het systeem moet artsen ondersteunen door gevonden afwijkingen te koppelen aan mogelijke oorzaken en waarschijnlijke diagnoses. Een eerste generatie van AI4EPI wordt inmiddels gebruikt in onder meer MST. Volgens de onderzoekers is de feedback vanuit de praktijk positief. Vooral de tijdswinst wordt als belangrijk voordeel gezien.
De technologie werd mede ontwikkeld binnen het programma Pioneers in Health Care (PIHC), een samenwerking tussen kennisinstellingen en ziekenhuizen in Oost-Nederland. Via dat fonds kregen de onderzoekers financiële ondersteuning om de systemen verder te ontwikkelen.
Snellere diagnose, minder onzekerheid
De onderzoekers verwachten dat AI-ondersteunde EEG-analyse niet alleen tijdwinst oplevert, maar ook kan bijdragen aan snellere diagnoses en minder onzekerheid voor patiënten. Omdat langdurige EEG’s praktisch beter uitvoerbaar worden, kunnen artsen vaker kiezen voor uitgebreidere registraties die diagnostisch waardevoller zijn.
Daarnaast zien de betrokken onderzoekers kansen om de technologie internationaal in te zetten, met name in regio’s waar gespecialiseerde kennis schaars is. EEG’s worden wereldwijd gemaakt, maar de interpretatie ervan vereist ervaren neurofysiologen die niet overal beschikbaar zijn.
Volgens Van Putten zou AI kunnen helpen om die kloof deels te overbruggen. De software kan artsen ondersteunen bij het herkennen van afwijkende patronen en zo bijdragen aan een meer uniforme beoordeling van EEG-onderzoeken.
Verder dan epilepsie
De ambities reiken inmiddels verder dan epilepsiediagnostiek alleen. De onderzoekers werken aan modellen die EEG-data kunnen combineren met klinische informatie om beter inzicht te geven in de biologische oorzaken van neurologische aandoeningen. Daarbij wordt ook gekeken naar toepassingen bij neurodegeneratieve ziekten en ontwikkelingsstoornissen. Volgens Amir Haeri ligt er op termijn potentie voor een breder inzetbaar basis-EEG-model dat ondersteuning biedt bij verschillende neurologische diagnoses.
Een belangrijke randvoorwaarde blijft de beschikbaarheid van grote hoeveelheden kwalitatieve data. Voor het trainen van AI-modellen zijn uitgebreide datasets nodig waarin hersenactiviteit zorgvuldig is gelabeld door experts. Om de afhankelijkheid van handmatige annotatie te verminderen, onderzoekt het team daarom ook zogenoemde unsupervised learning-methoden, waarbij AI zelfstandig patronen leert herkennen.
Voor verdere ontwikkeling zijn extra financiering, samenwerking met andere ziekenhuizen en aanvullende onderzoeksprojecten noodzakelijk. De onderzoekers hopen de komende jaren de technologie verder te verfijnen en uiteindelijk nog bredere klinische toepassingen mogelijk te maken.
Paris Brain Institute
Enkele weken geleden meldden onderzoekers van het Paris Brain Institute dat zij een belangrijke stap vooruit gezet hadden in het begrijpen van een ernstige vorm van epilepsie bij kinderen. Met behulp van in het lab gekweekte hersenstructuren, of mini-breinen, kregen zij nieuw inzicht in focale corticale dysplasie type II (FCDII), een hersenafwijking die vaak leidt tot therapieresistente epilepsie.
Lange tijd was onduidelijk waarom dezelfde mutatie bij de ene patiënt wel tot ernstige afwijkingen leidt en bij de andere niet. Om dit te onderzoeken ontwikkelde het team een innovatief model: mozaïek-organoïden. Dit zijn driedimensionale mini-breinen die worden gekweekt uit geïnduceerde pluripotente stamcellen (iPS-cellen). Deze stamcellen werden verkregen uit bloed van een patiënt met een DEPDC5-mutatie en diens gezonde broer.
