On the clinical acceptance of EEG seizure prediction methodologies

Detalhes bibliográficos
Autor(a) principal: Batista, Joana Carolina Flórido
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/103074
Resumo: Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
id RCAP_a88074d322f72f821f3d17f2e94a0eec
oai_identifier_str oai:estudogeral.uc.pt:10316/103074
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling On the clinical acceptance of EEG seizure prediction methodologiesSobre a aceitação clínica de metodologias de previsão de crises utilizando EEGEpilepsiaMachine learningPrevisão de crisesInterpretabilidadeExplicabilidadeEpilepsyMachine learningSeizure predictionInterpretabilityExplainabilityTrabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaSensivelmente um terço dos doentes epiléticos são incapazes de atingir o controlo das crises através da administração de medicamentos antiepiléticos. Em situações em que as crises epiléticas são impossíveis de controlar, a previsão de crises desempenha um papel fundamental no planeamento clínico e terapêutico, fornecendo novas opções de tratamentos, como dispositivos de alerta ou de intervenção. Estes sistemas têm a potencialidade de melhorar a qualidade de vida dos doentes suscetíveis à ocorrência súbita de crises. No entanto, a falta de interpretabilidade e explicabilidade das abordagens utilizadas nesta área constitui um obstáculo na aplicação clínica das metodologias de previsão e sistemas de intervenção desenvolvidos. Os métodos atualmente utilizados na literatura são maioritariamente baseados em sistemas complexos, difíceis de serem interpretados e de garantir a confiança dos clínicos. O presente trabalho teve como objetivo o desenvolvimento de metodologias capazes de prever crises epiléticas ao mesmo tempo que garantem a confiança dos clínicos, cientistas de dados e doentes. Foi desenvolvido um algoritmo para a previsão de crises epiléticas, considerando 40 doentes da base de dados EPILEPSIAE, resistentes à medicação antiepilética. Através da metodologia proposta, foram obtidos resultados de 0,34 ± 0,35 para a sensibilidade e de 1,78 ± 1,95 para o FPR/h. Sendo que 40% dos modelos desenvolvidos apresentaram uma performance estatisticamente significativa. Posteriormente, diferentes estratégias de explicabilidade foram aplicadas de forma a aumentar a confiança nas decisões do modelo. As explicações elaboradas basearam-se nas cinco lições extraídas de um trabalho previamente desenvolvido neste laboratório. As curvas de regularização ao longo do tempo foram analisadas para todos os doentes, e comportamentos típicos do modelo foram observados um número de vezes estatisticamente significativo. Foi ainda avaliado o impacto de cada uma das bandas espectrais sobre a capacidade de previsão do modelo, o que permitiu concluir que, em cenários específicos, diferentes conjuntos de características podem provocar comportamentos completamente distintos no classificador. Com este estudo, foi possível concluir que para algoritmos de previsão de crises epiléticas, a explicabilidade não deve simplesmente explicar as decisões do classificador, é também necessário melhorar os modelos desenvolvidos, rever os pressupostos e elaborar uma formulação mais completa do problema, de forma a garantir uma maior confiança sobre as metodologias desenvolvidas.Almost one-third of epileptic patients fail to achieve seizure control through antiepileptic drug administration. In the scarcity of completely controlling a patient's epilepsy, seizure prediction plays a significant role in clinical management and treatment, providing new therapeutic options such as warning or intervention devices. These systems would attempt to improve the quality of life of patients who are susceptible to the sudden occurrence of seizures.However, the lack of interpretability and explainability of the seizure prediction approaches constitutes an obstacle to the clinical applicability of the proposed prediction methodologies and intervention devices. The current state-of-the-art methods are mainly based on complex models that are difficult to trust by domain experts. The present work aimed to explore methodologies capable of predicting epileptic seizures in ways that guarantee trust to data scientists, clinicians, and patients. Considering 40 drug-resistant epilepsy patients from the EPILEPSIAE database, a patient-specific seizure prediction algorithm was developed. The proposed methodology achieved 0.34 ± 0.35 for sensitivity and 1.78 ± 1.95 for FPR/h, where 40% of patient models performed above chance. Afterwards, different explaining strategies were employed to increase trust in the models' decisions. These explanations were based on five lessons extracted from a prior work developed by the local research team. The patients' time plots were inspected, and typical model behaviors were found in a statistically significant number. The impact of each classical EEG spectral band over the model prediction was also evaluated, and it was concluded that, in specific scenarios, different sets of features might produce an entirely distinct behavior in the classifiers' output.With this study, it was possible to conclude that for seizure prediction algorithms, explainability should not simply explain the model's decision. It is necessary to improve the developed models, review used assumptions, and create a completer problem formulation to gain trust.FCT2022-10-06info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/103074http://hdl.handle.net/10316/103074TID:203079566engBatista, Joana Carolina Flóridoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2022-10-24T22:00:26Zoai:estudogeral.uc.pt:10316/103074Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:19:56.432656Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv On the clinical acceptance of EEG seizure prediction methodologies
Sobre a aceitação clínica de metodologias de previsão de crises utilizando EEG
title On the clinical acceptance of EEG seizure prediction methodologies
spellingShingle On the clinical acceptance of EEG seizure prediction methodologies
Batista, Joana Carolina Flórido
Epilepsia
Machine learning
Previsão de crises
Interpretabilidade
Explicabilidade
Epilepsy
Machine learning
Seizure prediction
Interpretability
Explainability
title_short On the clinical acceptance of EEG seizure prediction methodologies
title_full On the clinical acceptance of EEG seizure prediction methodologies
title_fullStr On the clinical acceptance of EEG seizure prediction methodologies
title_full_unstemmed On the clinical acceptance of EEG seizure prediction methodologies
title_sort On the clinical acceptance of EEG seizure prediction methodologies
author Batista, Joana Carolina Flórido
author_facet Batista, Joana Carolina Flórido
author_role author
dc.contributor.author.fl_str_mv Batista, Joana Carolina Flórido
dc.subject.por.fl_str_mv Epilepsia
Machine learning
Previsão de crises
Interpretabilidade
Explicabilidade
Epilepsy
Machine learning
Seizure prediction
Interpretability
Explainability
topic Epilepsia
Machine learning
Previsão de crises
Interpretabilidade
Explicabilidade
Epilepsy
Machine learning
Seizure prediction
Interpretability
Explainability
description Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
publishDate 2022
dc.date.none.fl_str_mv 2022-10-06
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/103074
http://hdl.handle.net/10316/103074
TID:203079566
url http://hdl.handle.net/10316/103074
identifier_str_mv TID:203079566
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799134092926648320

Registros relacionados