EEG και Τεχνητή Νοημοσύνη στο σύνδρομο Kleefstra: τι γνωρίζουμε και ποια είναι τα επόμενα βήματα

Το 2025 δημοσιεύτηκε στο επιστημονικό περιοδικό Sensors η ανασκόπησή μου με τίτλο “Machine Learning Algorithms in EEG Analysis of Kleefstra Syndrome: Current Evidence and Future Directions”. Η εργασία συγκεντρώνει όσα γνωρίζουμε μέχρι σήμερα για το ηλεκτροεγκεφαλογράφημα (EEG) στο σύνδρομο Kleefstra και εξετάζει πώς οι σύγχρονες μέθοδοι ανάλυσης σημάτων και μηχανικής μάθησης θα μπορούσαν στο μέλλον να αξιοποιηθούν για την καλύτερη μελέτη της εγκεφαλικής λειτουργίας στο σύνδρομο.

Τι γνωρίζουμε σήμερα για το EEG στο σύνδρομο Kleefstra;

Το ηλεκτροεγκεφαλογράφημα αποτελεί μια μη επεμβατική εξέταση που καταγράφει την ηλεκτρική δραστηριότητα του εγκεφάλου. Στο σύνδρομο Kleefstra χρησιμοποιείται κυρίως όταν υπάρχουν επιληπτικές κρίσεις ή άλλα νευρολογικά συμπτώματα. Οι μέχρι σήμερα δημοσιευμένες κλινικές αναφορές δείχνουν ότι περίπου 20–30% των ατόμων με σύνδρομο Kleefstra παρουσιάζουν επιληπτικές κρίσεις. Έχουν περιγραφεί διαφορετικοί τύποι κρίσεων, όπως γενικευμένες τονικοκλονικές κρίσεις, αφαιρέσεις και εστιακές κρίσεις. Ωστόσο, τα ηλεκτροεγκεφαλογραφικά ευρήματα παρουσιάζουν σημαντική ετερογένεια. Μέχρι σήμερα δεν έχει αναγνωριστεί ένα σταθερό EEG πρότυπο ή ένας ηλεκτροφυσιολογικός βιοδείκτης που να χαρακτηρίζει ειδικά το σύνδρομο Kleefstra. Αυτό σημαίνει ότι το EEG δεν αποτελεί διαγνωστική εξέταση για το σύνδρομο και δεν μπορεί να αντικαταστήσει τον γενετικό έλεγχο.

Η περιορισμένη γνώση δεν οφείλεται μόνο στη σπανιότητα του συνδρόμου. Τα διαθέσιμα EEG προέρχονται κυρίως από μεμονωμένες κλινικές περιπτώσεις ή μικρές σειρές ασθενών, συχνά με διαφορετικά πρωτόκολλα καταγραφής, διαφορετικές ηλικίες και διαφορετική κλινική εικόνα. Αυτό καθιστά δύσκολη τη σύγκριση των αποτελεσμάτων μεταξύ των μελετών.

Πέρα από την απλή οπτική αξιολόγηση του EEG

Στην καθημερινή κλινική πράξη, το EEG αξιολογείται κυρίως οπτικά από ειδικούς. Η σύγχρονη έρευνα όμως μπορεί να εξάγει από το ίδιο σήμα πολύ περισσότερες ποσοτικές πληροφορίες.

Η ποσοτική ανάλυση EEG (qEEG) μπορεί, για παράδειγμα, να μελετήσει την ισχύ διαφορετικών συχνοτήτων του εγκεφαλικού σήματος, τη λειτουργική συνδεσιμότητα μεταξύ διαφορετικών περιοχών του εγκεφάλου, καθώς και πιο σύνθετες ιδιότητες του σήματος, όπως το απεριοδικό υπόβαθρο της EEG δραστηριότητας.

Τέτοιες προσεγγίσεις έχουν ήδη χρησιμοποιηθεί σε άλλες νευροαναπτυξιακές διαταραχές. Σύνδρομα όπως το Angelman, το Rett και το Fragile X έχουν μελετηθεί εκτενέστερα ηλεκτροφυσιολογικά και προσφέρουν χρήσιμα παραδείγματα για το πώς μπορούν να αναζητηθούν ποσοτικοί EEG βιοδείκτες σε σπάνιες γενετικές παθήσεις.

Πού μπορεί να συμβάλει η Τεχνητή Νοημοσύνη;

Οι αλγόριθμοι μηχανικής μάθησης μπορούν να επεξεργαστούν μεγάλο αριθμό χαρακτηριστικών ταυτόχρονα και να αναζητήσουν συνδυασμούς ή μοτίβα που είναι δύσκολο να εντοπιστούν μόνο με την οπτική παρατήρηση του EEG.

Σε μια μελλοντική μελέτη για το Kleefstra, θα μπορούσαν για παράδειγμα να αναλυθούν χαρακτηριστικά όπως η ισχύς των εγκεφαλικών ρυθμών, η συχνότητα επιληπτικών εκφορτίσεων ή μετρήσεις της συνδεσιμότητας του εγκεφάλου. Στη συνέχεια, κλασικοί αλγόριθμοι όπως τα Support Vector Machines ή τα Random Forests θα μπορούσαν να διερευνήσουν αν κάποιος συνδυασμός αυτών των χαρακτηριστικών διαχωρίζει διαφορετικές κλινικές ομάδες. Τέτοιες μέθοδοι είναι ιδιαίτερα ενδιαφέρουσες στις σπάνιες παθήσεις, επειδή μπορούν να χρησιμοποιηθούν και σε σχετικά μικρά δείγματα, εφόσον η ανάλυση και η επικύρωση σχεδιαστούν προσεκτικά.

Η βαθιά μάθηση αποτελεί μια ακόμη πιθανή κατεύθυνση, αλλά απαιτεί πολύ μεγαλύτερους όγκους δεδομένων. Σε ένα τόσο σπάνιο σύνδρομο, η άμεση εκπαίδευση μεγάλων νευρωνικών δικτύων σε μικρό αριθμό EEG ενέχει σημαντικό κίνδυνο υπερπροσαρμογής. Για αυτό εξετάζονται προσεγγίσεις όπως το transfer learning, όπου ένα μοντέλο εκπαιδεύεται αρχικά σε μια μεγάλη βάση EEG και στη συνέχεια προσαρμόζεται σε μικρότερο σύνολο δεδομένων, καθώς και τεχνικές data augmentation για την αντιμετώπιση της έλλειψης δεδομένων.

Προς το παρόν, όμως, αυτές οι δυνατότητες στο σύνδρομο Kleefstra παραμένουν ερευνητικές. Η σημαντικότερη δυσκολία δεν είναι η έλλειψη διαθέσιμων αλγορίθμων αλλά η απουσία μεγάλων, τυποποιημένων και δημόσια διαθέσιμων συνόλων EEG ειδικά για το σύνδρομο.

Από την ιδέα σε μια διεθνή βάση EEG

Ένα από τα βασικά συμπεράσματα της ανασκόπησης είναι ότι πριν μπορέσουμε να μιλήσουμε σοβαρά για εφαρμογές Τεχνητής Νοημοσύνης στο Kleefstra, χρειάζεται πρώτα να δημιουργηθεί η κατάλληλη ερευνητική υποδομή.

Η εργασία προτείνει ως βασικές κατευθύνσεις:

• πολυκεντρική συλλογή EEG δεδομένων από άτομα με σύνδρομο Kleefstra,
• όσο το δυνατόν πιο τυποποιημένα πρωτόκολλα καταγραφής, ώστε τα δεδομένα διαφορετικών κέντρων να μπορούν να συγκριθούν,
• συλλογή τόσο κλασικών όσο και ποσοτικών EEG χαρακτηριστικών,
• προσεκτική καταγραφή κλινικών πληροφοριών που μπορεί να επηρεάζουν το EEG, όπως ηλικία, επιληψία και φαρμακευτική αγωγή,
• όπου είναι εφικτό, επαναλαμβανόμενες καταγραφές στον χρόνο, ώστε να μελετάται η εξέλιξη της εγκεφαλικής δραστηριότητας,
• δημιουργία κατάλληλων, ανωνυμοποιημένων συνόλων δεδομένων που θα μπορούν να χρησιμοποιηθούν για την ανάπτυξη και ανεξάρτητη αξιολόγηση αλγορίθμων μηχανικής μάθησης.

Ιδιαίτερη σημασία έχει η διεθνής συνεργασία. Ένα μεμονωμένο κέντρο είναι εξαιρετικά δύσκολο να συγκεντρώσει αρκετά EEG από άτομα με τόσο σπάνια διάγνωση. Αντίθετα, η συνεργασία πολλών κέντρων και οικογενειών μπορεί σταδιακά να δημιουργήσει ένα σύνολο δεδομένων αρκετά μεγάλο ώστε να επιτρέψει πιο αξιόπιστες αναλύσεις. Η ανασκόπηση αναφέρεται μάλιστα στην προοπτική δημιουργίας ενός κοινού “EEG data commons” για το σύνδρομο Kleefstra.

Τι θα μπορούσε να προσφέρει μια τέτοια προσπάθεια;

Ο άμεσος στόχος δεν είναι να δημιουργηθεί ένας «αλγόριθμος διάγνωσης» του Kleefstra από το EEG. Η γενετική διάγνωση παραμένει ο τρόπος επιβεβαίωσης του συνδρόμου.

Η πραγματική αξία μιας μεγάλης και καλά οργανωμένης συλλογής EEG θα ήταν να μας επιτρέψει να διερευνήσουμε αν υπάρχουν επαναλαμβανόμενα ηλεκτροφυσιολογικά χαρακτηριστικά που σήμερα δεν μπορούμε να διακρίνουμε λόγω των πολύ μικρών δειγμάτων.

Στο μέλλον, τέτοιοι βιοδείκτες θα μπορούσαν να βοηθήσουν στην καλύτερη κατανόηση της εγκεφαλικής λειτουργίας, στην παρακολούθηση αλλαγών με την ηλικία ή την κλινική πορεία και, εφόσον αποδειχθούν επαρκώς αξιόπιστοι, στην αντικειμενική αξιολόγηση της ανταπόκρισης σε μελλοντικές θεραπευτικές παρεμβάσεις. Πρόκειται όμως για στόχους που χρειάζονται συστηματική έρευνα και ανεξάρτητη επικύρωση πριν μπορέσουν να μεταφερθούν στην κλινική πράξη.

Πηγή

Tzimourta KD. Machine Learning Algorithms in EEG Analysis of Kleefstra Syndrome: Current Evidence and Future Directions. Sensors. 2025;25(11):3420. doi:10.3390/s25113420. (MDPI)

Σημείωση: Το άρθρο αποτελεί ενημερωτική παρουσίαση της συγκεκριμένης επιστημονικής ανασκόπησης. Οι πιθανές εφαρμογές της μηχανικής μάθησης και των EEG βιοδεικτών στο σύνδρομο Kleefstra βρίσκονται ακόμη σε ερευνητικό στάδιο και δεν αποτελούν σήμερα καθιερωμένες διαγνωστικές ή θεραπευτικές εφαρμογές.