Skip to main content

NEUROPREDICT- Inteligentzia Artifiziala eskuratutako garun-kaltea (EGK) duten pazienteen errehabilitazioa optimizatzeko

Ekitaldiaren deskribapen orokorra

NEUROPREDICT proiektuaren helburua Hartutako Kalte Zerebrala (DCA) duten pertsonen errehabilitazio motorreko prozesuak optimizatzea da, garuneko jarduera eta mugimendua aztertzeko tresnak inteligentzia artifizialeko teknikekin integratuz. Iktusa da DCAren kausa nagusia helduen artean. Gainera, bizirik irauten duten pazienteen % 85ek funtzio motorraren nahasmenduak dituzte. Paziente askok suspertze motor osoa edo partziala lortzen dute errehabilitazio-prozesu terapeutikoen bidez.  

Eraginkorra dela frogatu den arren, iktus osteko errehabilitazioak erronka garrantzitsuak ditu oraindik. Iktus osteko errehabilitazioan aurrerapenak egin diren arren, egungo prozesuak eskala estandarizatuetan oinarritutako erabaki klinikoetan oinarritzen dira neurri handi batean. Erabaki horiek baliagarriak izan arren, subjektibotasun-maila eta sentsibilitate mugatua dute berreskuratze motorrean gertatzen diren aldaketa neuroplastiko, konplexu eta heterogeneoak atzemateko.  

Hainbat azterlanek erakutsi dutenez, errehabilitazioan gertatzen den funtzio zerebralaren berrantolaketa neurtzeko teknikak daude. Neurri horiek esku-hartzeen eraginkortasuna ebaluatzeko eta erabaki klinikoak hartzea errazteko balio dute. Neuroirudi teknikek (erresonantzia magnetiko funtzionala, positroien emisio bidezko tomografia) kostu handia, eskuragarritasun zaila eta kontraindikazio jakin batzuk dituzte, baina elektroentzefalografiako gailuak (EEG) merkeak, eramangarriak eta ez-inbaditzaileak dira ekonomikoki. Bestalde, motorrari dagokionez, sentsore inertzialak erabiltzeak errehabilitazioan mugimendu baten gauzatzea eta irismena objektiboki neurtzea ahalbidetzen du. 

Proiektu honetan elektroentzefalografiako (EEG) eta sentsore inertzialetako datuak erabiliko dira, modu objektiboan karakterizatzeko errehabilitazio prozesuetan kalte zerebrala duten pertsonen garunean eta motorrean gertatzen diren aldaketak. Seinale horiek batera aztertuta, bilakaera funtzionalaren eta esku-hartze terapeutikoei emandako erantzunaren adierazle sentikorrak lortuko dira. Inteligentzia artifizialeko teknikak erabiltzeak patroi garrantzitsuak identifikatzea eta iragarpen metrikak sortzea erraztuko du, berreskuratze mekanismoak hobeto ulertzen eta paziente bakoitzaren egoerara eta bilakaerara hobeto egokitzen diren errehabilitazio estrategiak garatzen lagunduz.

Helburuak

Proiektuaren helburua da iktus baten osteko errehabilitazio prozesuei lotutako jarduera neuronala aztertzea eta datuen integrazioan eta analisian oinarritutako programa bat garatzea, aldagaien arteko erlazio garrantzitsuak identifikatzeko eta paziente bakoitzari tratamendu optimoa agintzeko erabakiak hartzen laguntzeko.

Helburua lortzeko, honako hau egin nahi da:

  • Datu-base multimodal eta longitudinal bat eraikitzea, iktus baten osteko errehabilitazio prozesuaren faseetan zehar pazienteen garuneko datuak, datu motorrak eta datu klinikoak integratuko dituena. Datu-base honek garuneko kalte mota karakterizatzea eta terapiak aurrera egin ahala haren bilakaera aztertzea ahalbidetuko du, neuroerrehabilitazioko berreskuratze prozesuen jarraipen sistematikoan ekarpen garrantzitsua eginez.
  • Errehabilitazioan zehar garuneko jardueraren eta jarduera motorraren arteko erlazioa aztertzea, ikaskuntza automatikoko teknikak erabiliz erregistratutako seinaleen patroiak, korrelazioak eta aldaketa-dinamikak identifikatzeko, baita haien garun-kokapena ere, eta horiek errehabilitazio arloko profesionalek ohikotasunez erabiltzen dituzten balorazio funtzionalekin lotzea.
  • Adierazle objektibo eta fidagarriak definitzea, iktusa izan duten pertsonen hasierako afekzio-maila eta berreskuratze funtzionalean izandako aurrerapenak kuantifikatzeko, garuneko, motorreko eta datu klinikoen analisi integratuan oinarrituta.
  • Errehabilitazio tratamenduen pertsonalizazioa bultzatzeko ezagutza sortzea, hartutako kalte zerebrala duten pertsonen bilakaeran eragina duten aldagai garrantzitsuenak identifikatuz, esku-hartze terapeutikoen egokitzapena hobetzeko eta berreskuratze denborak eta emaitzak optimizatzeko.

NAIR Center-en ekarpena

NAIR Center aportará al proyecto su experiencia en el análisis avanzado de señales, la gestión y explotación de datos complejos y el desarrollo de modelos de inteligencia artificial aplicados al ámbito clínico.

NAIR Centerrek seinaleen analisi aurreratuan duen esperientziarekin lagunduko du proiektuan, datu konplexuen kudeaketan eta ustiapenean eta eremu klinikoari aplikatutako inteligentzia artifizialeko ereduen garapenean.  

Lehenik eta behin, gailu esperimentalen bidez hartutako elektroentzefalografia eta mugimendu seinaleen tratamendua hartuko du bere gain. Gailu hauek konplexutasun handia dute eta zarata eta nahi ez diren osagaiak dituzte. Horretarako, datuak formatu jabedunetan irakurtzeko prozesu automatikoak garatuko dira, eta seinale-zarata erlazioa hobetzera bideratutako prozesatze digitaleko teknika aurreratuak aplikatuko dira, bai eta ezaugarri garrantzitsuak ateratzeko aukera emango duten aldi baterako eta maiztasuneko domeinuak aztertzea ere. Tratamendu horri esker, seinale gordinak irudikapen fidagarri, informatibo eta konparagarri bihurtuko dira, eta proiektuaren ondorengo etapetarako oinarri izango dira. 

Prozesatutako seinale horien gainean, NAIR Centerrek datu-base multimodal bat diseinatzen, egituratzen eta mantentzen lagunduko du, errehabilitazio-prozesuan lortutako jarduera zerebral eta motorraren erregistroak luzetara integratuko dituena. Datuen bilketa sistematikoa, zorrotza eta erreproduzigarria izatea bermatuko da, bai eta datu horiek segurtasunez eta eraginkortasunez biltegiratzea eta eskuratzea ere.  

Azkenik, NAIR Centerrek pazienteen bilakaera funtzionalarekin lotutako patroi eta biomarkatzaile objektiboak identifikatzera bideratutako inteligentzia artifizialeko tekniken aplikazioa gidatuko du.  

Garapen honen integrazioari esker, errehabilitazio-tratamenduak pertsonalizatzera eta haien eraginkortasuna hobetzera bideratutako erabaki klinikoak hartzen laguntzeko sistema baterantz aurrera egin ahal izango da. 

Bazkideak

Finantzaketa


Proiektu gehiago