Site icon Corriere Nazionale

Epilessia: la ricerca punta a prevedere le crisi

Epilessia, cenobamato crisi epilettiche lepsiapp perampanel

Nuove frontiere per la cura dell’epilessia, dalla statistica al machine learning alla matematica: la sfida per i ricercatori è prevedere le crisi epilettiche

Migliorare la velocità e l’accuratezza del percorso diagnostico nei casi di epilessia. È l’obiettivo della ricerca coordinata dall’Unità di Bioingegneria Clinica dell’I.R.C.C.S. Neuromed di Pozzilli con la collaborazione dell’Università Federico II di Napoli e il Centro Italiano di Ricerche Aerospaziali (CIRA) di Capua.

Il lavoro scientifico è stato presentato alla IEEE International Conference on Data Science and Systems e pubblicato nei relativi proceedings. I ricercatori hanno utilizzato l’analisi temporale dei segnali cerebrali di pazienti epilettici e tecniche di “data mining” (capaci di individuare ed estrarre informazioni da grandi quantità di dati con una efficienza e rapidità impossibili per un essere umano) per riconoscere automaticamente le crisi.

“Nell’epilessia, soprattutto quella farmaco-resistente – dice l’ingegner Luigi Pavone, dell’Unità di Bioingegneria Clinica, che ha coordinato la ricerca – il gold standard per la diagnosi e il corretto inquadramento della patologia è l’esame del segnale elettroencefalografico (EEG). È qui che si possono trovare i segni caratteristici delle crisi epilettiche, che risulteranno fondamentali per stabilire i necessari passi successivi per il trattamento del paziente. Questa operazione, oggi, è eseguita dallo specialista epilettologo attraverso la metodica osservazione del tracciato. Si tratta di un’operazione che richiede molto tempo e molta accuratezza. Lo scopo del nostro lavoro è stato quello di creare un sistema interamente automatizzato, capace di individuare quei segni con affidabilità e rapidità molto maggiori. Significa offrire strumenti nuovi al neurologo, con un grande vantaggio per la qualità e la rapidità degli interventi terapeutici e soprattutto per la qualità di vita dei pazienti”.

 

Con il data mining, in poche parole, è possibile estrarre informazioni a partire dalla grande quantità di dati presenti in un elettroencefalogramma, scovando associazioni o schemi ricorrenti che rappresentano segnali caratteristici di una crisi epilettica. Le tecniche utilizzate appartengono a campi diversi, dalla statistica al machine learning alla matematica. “La sfida – continua Pavone – non è solo quella di avere un sistema capace di individuare con estrema accuratezza le crisi epilettiche nei segnali cerebrali, ma di farlo in tempo reale, al fine di implementare questi modelli all’interno di dispositivi closed-loop per il monitoraggio e il controllo delle crisi stesse”.

Ma l’obiettivo finale è ancora più ambizioso: prevedere le crisi epilettiche. “Stiamo lavorando – spiega l’ingegnere – in collaborazione con il dottor Gaetano Zazzaro del CIRA e il professor Paolo Bifulco dell’Università Federico II, a creare procedure e modelli informatici più sofisticati che, analizzando l’attività elettrica cerebrale in tempo reale, potranno prevedere le crisi prima ancora che si verifichino. Si tratta di una sfida molto difficile e sulla quale lavorano da anni prestigiosi gruppi di ricerca internazionali”.

“Gli scenari della medicina dei prossimi anni – commenta l’ingegner Fabio Sebastiano, Direttore Operativo e Consigliere delegato alla ricerca del Neuromed – saranno sempre più basati su una ricerca traslazionale e interdisciplinare. Proprio come quella che è stata portata avanti in questo lavoro. Tecnologie avanzate e medicina saranno sempre più interconnesse, e questo rappresenta il nucleo centrale dell’innovazione portata avanti da Neuromed”.

Riferimenti

Pafferi, F., Zazzaro, G., Martone, A., Bifulco, P., & Pavone, L. (2020, December). Temporal Analysis for Epileptic Seizure Detection by Using Data Mining Approach. In 2020 IEEE 22nd International Conference on High Performance Computing and Communications; IEEE 18th International Conference on Smart City; IEEE 6th International Conference on Data Science and Systems (HPCC/SmartCity/DSS) (pp. 1356-1363). IEEE.

DOI: 10.1109/HPCC-SmartCity-DSS50907.2020.00175

Exit mobile version