Väitös lääketieteellisen tekniikan alalta, DI Karoliina Tapani

Väitöskirjan nimi: Automated seizure detection for neonatal EEG

Vastaväittäjä: apulaisprofessori Maarten De Vos, KU Leuven, Belgia
Kustos: professori Lauri Parkkonen, Aalto-yliopiston perustieteiden korkeakoulu, Neurotieteen ja lääketieteellisen tekniikan laitos

Väitöskirja on julkisesti nähtävillä 10 päivää ennen väitöstä Aalto-yliopiston julkaisuarkiston verkkoriiputussivulla.

Elektroninen väitöskirja

Väitöstiedote:

Epileptiset kohtaukset vahingoittavat vastasyntyneen aivoja ja niitä ilmenee 1-5:llä 1000:sta elävänä syntyneestä lapsesta. Kohtauksia havainnoidaan mittaamalla aivosähkökäyrää, josta neurofysiologit tunnistavat kohtaukselle ominaisia piirteitä. Jotta tarvittavat hoitotoimenpiteet voidaan aloittaa ajoissa ja jotta vastasyntyneen ennustetta voidaan arvioida, on havainnot tehtävä viipymättä ja luotettavasti. Tähän vaadittavaa asiantuntemusta ei kuitenkaan aina ole saatavilla, joten aivosähkökäyrän tulkintaan tarvitaan automaattisia menetelmiä.

Tässä väitöskirjassa kehitettiin automaattisia menetelmiä, jotka tunnistavat epileptisiä kohtauksia vastasyntyneen aivosähkökäyrästä. Ensimmäisissä osatöissä tutkittiin piirteitä, jotka erottavat kohtauksia normaalista taustatoiminnasta. Nämä piirteet onnistuivat kohtausten tunnistuksessa yleisesti käytettyjä signaalipiirteitä paremmin. Kun kehitettyjä piirteitä yhdistettiin koneoppimismenetelmin, saatiin aivosähkökäyrän luokitin, joka havainnoi kohtauksia aiempia menetelmiä tarkemmin. Luokittimen tuottama arvio kohtauksien määrästä ja kestosta oli myös kliinisesti merkittävä. Kliinisen hyödyllisyyden mittareiden lisäksi tutkimuksissa kehitettiin muita luokittimen hyvyyttä arvioivia mittareita.

Yksi tärkeimmistä väitöskirjan tavoitteista oli tutkimusaineiston sekä menetelmän julkaisu avoimeen käyttöön. Edistimme alan tutkimusta avoimen tieteen kautta, joka on ainoa tapa kehittää parhaat mahdolliset menetelmät kriittistä hoitoa vaativien vastasyntyneiden hyväksi. Sekä menetelmäämme, että avointa aineistoamme on hyödynnetty laajasti alan julkaistuissa tutkimuksissa. Menetelmämme on myös integroitu kaupalliseen aivosähkökäyrää kohtauksiin ja taustatoimintaan luokittelevaan ohjelmistoon (ANT Neuro, Hengelo, Alankomaat).

Luokittimen hyvä suoriutuminen todistaa, että kompleksisten signaalipiirteiden kehitys ja yhdistäminen luokittimeksi on edelleen kannattava tapa lähestyä tätä tutkimusongelmaa. Lähestymistapa on työintensiivisempää kuin tämän päivän suosituin menetelmä, syväoppiminen, jota on kritisoitu sen vaikean tulkittavuuden vuoksi. Vaikka luokitin suoriutui hyvin, sen todellinen kliininen arvo nähdään vasta kliinisten kokeiden yhteydessä.

Väittelijän yhteystiedot:  [email protected]