Viselhető mesterséges intelligencia az epilepszia kezelésében: hol tartunk most?

Az epilepszia a világ leggyakoribb súlyos neurológiai betegségeinek egyike: becslések szerint 50 millió embert érint világszerte, az érintett személyek életét pedig nemcsak a rohamok fizikai kockázata, hanem a folyamatos bizonytalanság és az önállóság csökkenése is meghatározza. A hagyományos diagnosztika és monitorozás – kórházi EEG-vizsgálatok, szakorvosi vizit, betegnapló – nem tudja lefedni azt, ami a mindennapi életben történik. A viselhető mesterséges intelligencia (AI) technológiák éppen ezt az űrt igyekeznek betölteni: folyamatos, noninvazív, otthoni körülmények között is működő monitorozást ígérnek. De mennyire érett már ez a technológia klinikai alkalmazásra? Egy 2025-ben a Journal of Medical Internet Research folyóiratban megjelent átfogó scoping review 67 tanulmány szisztematikus elemzésével ad képet a terület jelenlegi állásáról.

Miért nem elég a hagyományos EEG?

Az epilepszia diagnosztikájának és nyomon követésének arany standardja az elektroencephalographia. A módszer jól bevált, de komoly korlátai vannak: speciális intézményi felszerelést igényel, időigényes és drága, és csak egy adott időpillanat állapotát tükrözi. Ha a betegnél a vizsgálat ideje alatt épp nem következik be roham – ami teljesen szokásos –, az eredmény nem ad diagnózist. Ráadásul az alacsony jövedelmű országokban, ahol az epilepszia prevalenciája magasabb, az EEG-hozzáférés különösen korlátozott.

A viselhető AI-eszközök – okosórák, csuklópántok, fejre helyezhető szenzorok, intelligens ruházat – ezt a problémát oldják meg azzal, hogy a beteg életterében, folyamatosan és passzívan gyűjtik az élettani adatokat, majd gépi tanulási algoritmusokkal elemzik azokat. A cél nem a hagyományos EEG felváltása, hanem egy skálázható, mindennapi életbe integrálható kiegészítő monitorozási réteg létrehozása.

A vizsgálat: mit mond a 67 tanulmány összesített képe?

A Weill Cornell Medical College in Qatar és a COMSATS University kutatói hat tudományos adatbázist áttekintve azonosítottak 67 olyan tanulmányt, amely viselhető eszközökön futó AI-algoritmusokat fejlesztett epilepszia-detektálásra vagy -előrejelzésre. A tanulmányok 2013 és 2024 között születtek, és a publikációk száma 2021 óta meredeken nő – ez jelzi a terület iránt megnőtt kutatói érdeklődést. A vizsgálatok földrajzilag India, az USA és Kína között koncentrálódnak. A kutatók részletesen feltérképezték az alkalmazott eszközöket, biológiai jeleket, AI-algoritmusokat és validációs módszereket.

Az eszközök: csuklón a legjobb helyen

A vizsgált eszközök fele kereskedelmi forgalomban kapható termék, másik fele prototípus vagy kutatási célra tervezett eszköz. A leggyakrabban alkalmazott márka az Empatica okos csuklópánt volt, amelyet 15 tanulmányban használtak. Az eszközök elhelyezés szerint leginkább a csuklóra (az esetek 50,7%-ában), fejre (22,4%) és fülbe (14,9%) kerültek.

A csuklóra helyezett eszközök dominanciája nem véletlen: ezek a legkényelmesebbek hosszú távú viselésre, a betegek számára nem stigmatizálóak, és a kereskedelmi okosórák és fitneszkarkötők alapjait is felhasználhatják. Az EEG-alapú fejre szerelhető eszközök, noha jobb jelminőséget adnak, hosszabb viselés esetén kényelmetlenek, ezért a valódi életminőség szempontjából hátrányban vannak.

A mért biológiai jelek

A vizsgált tanulmányok a legkülönbözőbb élettani jeleket használták bemenetként. A leggyakoribb a mozgásmérés volt (53,7%): gyorsulásmérők segítségével a rohamra jellemző izomgörcsök és mozgásminták automatikusan azonosíthatók. A szív- és érrendszeri mutatók (pulzus, HRV) szintén kiemelkedően informatívak (49,3%), mivel epilepsziás rohamnál a szívritmus jellegzetesen megváltozik. Az agyi aktivitás közvetlen mérése viselhető EEG-szenzorral 35,8%-ban fordult elő, a bőrvezetés (elektrodermális aktivitás) pedig 34,3%-ban. Ez utóbbi különösen érdekes, mert a bőrvezetés változása – az autonóm idegrendszer aktivitódásának jele – akár a roham megjelenése előtt is érzékelhető.

AI-algoritmusok: a klasszikusok dominálnak

Az elemzett tanulmányokban a legnépszerűbb algoritmusok a klasszikus gépi tanulási megközelítésekvoltak, melyek dominanciája mögött praktikus okok állnak: kisebb adatmennyiséggel is megbízhatóan taníthatók, értelmezhetőbbek, és a viselhető eszközök korlátozott számítási kapacitásán is futtathatók. A mély tanulási modellek – amelyek a képfeldolgozásban és a természetes nyelvfeldolgozásban egyeduralkodók – az epilepszia-detektálásban egyelőre kisebb szerepet játszanak, részben a nyílt forrású adathalmazok hiánya, részben pedig az energiahatékonysági korlátok miatt.

Detektálás versus előrejelzés: kritikus egyensúlyhiány

A scoping review egyik legfontosabb megállapítása egy strukturális aránytalanságra mutat rá: a 67 tanulmányból 54 (80,6%) rohamdetektálásra fókuszált, és csupán 15 (22,4%) rohamelőrejelzésre.

Ez a különbség klinikai szempontból is alapvető. A detektálás azt jelenti, hogy az eszköz felismeri az épp zajló rohamos eseményt, ami hasznos, viszont késői figyelmeztetés a beteg számára. Az előrejelzés ezzel szemben azt célozza, hogy a roham bekövetkezése előtt figyelmeztesse a beteget és a gondozókat: legyen idő a biztonságos helyre kerülésre, a gyors hatású gyógyszer bevételére, vagy az azonnali segítség értesítésére. A prediktív megközelítés tehát igazi áttörést jelentene - viszont ez biológiailag és technikailag sokkal nehezebb feladat, és az eddigi kutatások túlnyomórészt elkerülték.

Az adatok és a validáció korlátai

A tanulmányok másik kritikus problémája az adatokhoz való hozzáférés és a validáció módszere. A vizsgálatok 65,7%-a zárt forráskódú, azaz nem nyilvánosan hozzáférhető adatbázison alapult. Ez komolyan gátolja az eredmények reprodukálhatóságát és összehasonlíthatóságát.

A validáció tekintetében a legelterjedtebb módszer a leave-one-out és a k-fold keresztvalidáció volt – ezek a kutatási minőség szempontjából elfogadható megközelítések, de nem helyettesítik a külső, független adatbázison végzett érvényesítést. Utóbbira mindössze egyetlen tanulmányban került sor.

A mintaméretek is problémásak: az átlagos résztvevőszám 57 fő volt, nagy szórással (SD 75,5). Az epilepszia rendkívül heterogén betegség – a rohamtípusok, a kiváltó tényezők, az egyéni élettani profil mind befolyásolja, hogy egy algoritmus mennyire jól általánosítható. Kis, homogén mintákon tanított modellek klinikai bevezethetősége kérdéses.

Mit jelent mindez a klinikai és a digitális egészségügyi gyakorlat számára?

1. A csuklóra kerülhet a monitorozás – ha a beteg viseli

A legfontosabb eredmény, hogy a viselhető AI-alapú epilepsziafigyelő eszközök működnek. Az érzékenységi mutatók biztatóak, az eszközök kényelmesebbek az EEG-nél, és a betegek életébe integrálhatók. A csuklóra helyezett, többszörös biológiai jelet mérő eszközök – különösen azok, amelyek egyszerre figyelnek mozgást, pulzust és bőrvezetést – szignifikánsan jobbak, mint az egyjelű megközelítések. Ez a multimodális adatintegráció az egyik legígéretesebb irány.

2. A hamis riasztás klinikai probléma

A tanulmányok 32,8%-a a hamis riasztási rátát is megemlítette, ez pedig kulcskérdés a klinikai alkalmazásban. Ha egy epilepsziás beteg naponta többször kap téves riasztást, az eszköz elveszíti a hitelességét, és a beteg abbahagyja a viselését. Az algoritmusok specificitásának javítása – azaz annak csökkentése, hogy nem roham eseményt rohamnak jelezzenek – legalább olyan fontos, mint az érzékenység növelése.

3. Az előrejelzés a következő határvonal

A jelenlegi kutatási aszimmetria (a detektálás túlsúlya az előrejelzéshez képest) jelzi, hol van a legnagyobb fejlesztési lehetőség. A bőrvezetési és szívritmus-változók, különösen hosszabb idősorokon elemezve, ígéretesek lehetnek prediktív modellek alapjaként. Az ehhez szükséges longitudinális adatokat csak nyitott, megosztott adatbázisok tehetik lehetővé.

4. Adatvédelem és szabályozás: megoldatlan kérdések

A viselhető eszközök folyamatosan rögzítik a beteg mozgását, szívritmusát, bőrvezetését és esetenként agyi aktivitását – ezek kiemelkedően érzékeny egészségügyi adatok. Az adatok titkosítása, a hozzáférés-kezelés és a beteg beleegyezésének átláthatósága nemcsak etikai, hanem szabályozási kérdés is: az EU-ban a GDPR, az USA-ban a HIPAA keretei között kell ezeknek az eszközöknek megfelelniük. Mivel ezek az eszközök orvostechnikai szoftvernek minősülnek, az FDA és az európai MDR előírásai szerint klinikai érvényesítésre is szükség van – és erre egyelőre csak kevés tanulmány vállalkozott.

Összegzés

A viselhető AI az epilepsziafelügyelésben valódi ígéretet hordoz: a technológia alapjai működnek, az eszközök egyre kényelmesebbek, és az algoritmusok egyre pontosabbak. A scoping review azonban rámutat arra is, hogy a klinikai bevezetéshez még számos lépés megtétele ajánlatos. Nyílt adatbázisokra, egységes validációs standardokra, nagyobb és sokszínűbb betegpopulációkon végzett vizsgálatokra van szükség – és mindenekelőtt arra, hogy a kutatás figyelmét a detektálástól az előrejelzés felé fordítsa.

A végső cél egy olyan rendszer, amely észrevétlenül illeszkedik a beteg mindennapi életébe, időben figyelmeztet a közeledő rohamra, és közben megőrzi az adatok biztonságát és a beteg autonómiáját. Ez a cél még nem valósult meg – de a terület fejlődési üteme azt mutatja, hogy nincs olyan messze.

Forrás: Aziz, S., Ali, A. a. M., Aslam, H., Ain, N. U., Tariq, A., Sohail, Z., Murtaza, S., Mahmood, H. I., Wazeer, M. I., Murtaza, F., Abd-Alrazaq, A., Alsahli, M., Damseh, R., AlSaad, R., Shahzad, T., Ahmed, A., & Sheikh, J. (2025). Wearable Artificial Intelligence for Epilepsy: Scoping review. Journal of Medical Internet Research, 27, e73593. https://doi.org/10.2196/73593