Conditional Spatial Classification of Expert-Confirmed Interictal Epileptiform Discharge Epochs: An EEG-ECG Ablation and SHAP Analysis

मानव मस्तिष्क विद्युत संकेतों का एक विशाल, जटिल नेटवर्क है, जो विचार, गति और संवेदना को समन्वित करने के लिए निरंतर सक्रिय रहता है। कभी-कभी, यह विद्युत गतिविधि लड़खड़ाती है, जिससे संक्षिप्त, असामान्य विस्फोट उत्पन्न होते हैं जिन्हें इंटरिक्टल एपिलेप्टिफॉर्म डिस्चार्ज (interictal epileptiform discharges) कहा जाता है। ये स्वयं दौरे (seizures) नहीं हैं, बल्कि वे विशिष्ट विद्युत संकेत हैं जो उनके बीच दिखाई देते हैं, जो उन डॉक्टरों के लिए महत्वपूर्ण सुराग के रूप में कार्य करते हैं जो रोगी की स्थिति को समझने का प्रयास कर रहे हैं। इन संकेतों को समझने के लिए, विशेषज्ञ देखते हैं कि वे स्कैल्प (scalp) की सतह पर कहाँ दिखाई देते हैं। एक विस्फोट सिर के अगले हिस्से में केंद्रित हो सकता है, पूरी सतह पर फैला हो सकता है, या पीछे के हिस्से तक सीमित हो सकता है। इस स्थान का निर्धारण करना अंतर्निहित मस्तिष्क नेटवर्क को मैप करने में मदद करता है, जो उपचार की योजना बनाने में एक महत्वपूर्ण कदम है। हालाँकि, इन संकेतों को पढ़ना कठिन कार्य है, जिसके लिए विशेषज्ञों को इन क्षणिक पलों को खोजने और उन्हें अपने आकार और स्थिति के आधार पर वर्गीकृत करने के लिए घंटों की रिकॉर्डिंग को छानना पड़ता है।

हाल ही में एक अध्ययन ने इस क्षेत्र के भीतर एक विशिष्ट चुनौती पर काम किया: एक बार जब किसी विशेषज्ञ ने पहले ही पुष्टि कर दी है कि चार सेकंड की मस्तिष्क गतिविधि की एक खिड़की में इनमें से एक असामान्य विस्फोट मौजूद है, तो क्या एक कंप्यूटर प्रोग्राम उस विस्फोट को सही स्थान श्रेणी में सटीक रूप से वर्गीकृत कर सकता है? शोधकर्ताओं ने कंप्यूटर से विस्फोटों को खोजने के लिए नहीं कहा, क्योंकि वह पूरी तरह से एक अलग समस्या है। इसके बजाय, उन्होंने 2,514 चार-सेकंड के क्लिप्स से शुरुआत की जिन्हें मानव विशेषज्ञों ने पहले ही असामान्य गतिविधि के रूप में सत्यापित किया था। लक्ष्य यह देखना था कि क्या एक मशीन इन पुष्ट क्लिप्स को देखकर यह तय कर सकती है कि गतिविधि सामान्यीकृत (generalized), फ्रंटल (frontal), टेम्पोरल (temporal), ऑक्सीपिटल (occipital), या सेंट्रो-पेरिएटल (centro-parietal) थी। ऐसा करने के लिए, टीम ने डेटा को विभिन्न कंप्यूटर मॉडलों में डाला, और सूचना के विभिन्न संयोजनों का परीक्षण किया। उन्होंने स्कैल्प पर उन्नीस सेंसरों से प्राप्त मानक ब्रेनवेव रिकॉर्डिंग से शुरुआत की, फिर हृदय की विद्युत गतिविधि की एक रिकॉर्डिंग जोड़ी, और अंत में सेंसरों का एक पूर्ण सेट शामिल किया जिसमें ब्रेनवेव्स, हृदय के संकेत और मांसपेशियों की गतिविधि को कैप्चर किया गया था।

परिणामों ने दिखाया कि हृदय के संकेत जोड़ने से उल्लेखनीय अंतर आया। जब कंप्यूटर मॉडल केवल ब्रेनवेव सेंसरों पर निर्भर थे, तो सबसे सफल प्रणाली ने लगभग 89 प्रतिशत बार स्थान को सही ढंग से पहचाना। हालाँकि, जब शोधकर्ताओं ने ब्रेन सेंसरों के साथ हृदय के संकेत को शामिल किया, तो सटीकता में काफी उछाल आया। सबसे सफल मॉडल, जिसने निर्णय नियमों की एक श्रृंखला बनाकर डेटा से सीखा, हृदय संकेत शामिल होने पर 93 प्रतिशत से अधिक की सटीकता तक पहुँच गया, और पूर्ण सेट का उपयोग करने पर लगभग 94.5 प्रतिशत तक पहुँच गया। अध्ययन में पाया गया कि परीक्षण किए गए प्रत्येक कंप्यूटर मॉडल ने बेहतर प्रदर्शन किया जब हृदय का डेटा मिश्रण का हिस्सा था। सबसे सफल मॉडल में, हृदय संकेत ने स्वयं निर्णय लेने की प्रक्रिया में भारी योगदान दिया, जिसमें दाएं और बाएं हाथ की विद्युत गतिविधि ने मॉडल के तर्क का एक बड़ा हिस्सा बनाया। इसके अलावा, हृदय संकेत के उतार-चढ़ाव की गति वह एकल सबसे महत्वपूर्ण जानकारी साबित हुई जिसका उपयोग मॉडल ने अपने चुनाव करने के लिए किया।

डेटा को वर्गीकृत करने में इन स्पष्ट सुधारों के बावजूद, शोधकर्ता जो उन्होंने पाया है उसकी सीमाओं को परिभाषित करने में सावधान हैं। यह अध्ययन दर्शाता है कि हृदय संबंधी संकेत एक कंप्यूटर को उस मस्तिष्क गतिविधि को बेहतर ढंग से वर्गीकृत करने में मदद कर सकते हैं जिसे मानव विशेषज्ञ द्वारा पहले ही पुष्ट किया जा चुका है। यह यह सिद्ध नहीं करता है कि हृदय इन मस्तिष्क विस्फोटों का कारण बनता है, न ही यह सुझाव देता है कि हृदय का संकेत मिर्गी (epilepsy) के लिए एक नया जैविक मार्कर है। निष्कर्ष इस पद्धति के वर्गीकरण तक ही विशिष्ट हैं और इसका अर्थ यह नहीं है कि सिस्टम अब एक जीवित रोगी में इन विस्फोटों का स्वतः पता लगा सकता है, और न ही यह गारंटी देता है कि यह प्रणाली हर व्यक्ति के लिए काम करेगी। यह कार्य एक पद्धतिगत अंतर्दृष्टि प्रदान करता है: पुष्ट ब्रेनवेव पैटर्न को व्यवस्थित करने के विशिष्ट कार्य के लिए, हृदय की विद्युत लय को शामिल करना एक मापने योग्य लाभ प्रदान करता है। यह सुझाव देता है कि शरीर की प्रणालियाँ इतनी आपस में जुड़ी हुई हैं कि हृदय का एक संकेत भी मस्तिष्क की घटना के स्थान को स्पष्ट करने में मदद कर सकता है, लेकिन यह डेटा को छाँटने के तरीके को परिष्कृत करने के लिए एक उपकरण बना हुआ है, न कि स्वयं स्थिति के निदान का एक नया तरीका।