<b>Tausta:</b> Kohtauspäiväkirjat ovat olleet keskeisessä osassa epilepsian seurannassa ja hoidon suunnittelussa. Aiempien tutkimusten mukaan kohtauspäiväkirjat ovat alttiita epätarkkuuksille kohtausten vajavaisen havaitsemisen sekä kohtausten tulkinnanvaraisuuden vuoksi. Havaitsemattomat kohtaukset nostavat kuolleisuutta ja sairastavuutta, joten kohtausten dokumentoinnin parantaminen on tärkeää, erityisesti yöaikaisten kohtausten kohdalla. Videoon perustuvilla kohtausten tunnistamisjärjestelmillä on potentiaalia parantaa kohtausten dokumentoinnin ja luokittelun tarkkuutta, mikä voisi parantaa ja tehostaa potilaiden hoitoa. Automaattista kohtausten tunnistamista ja etenkin videokuvaan perustuvia laitteita on tutkittu yhä enemmän viimeisen vuosikymmenen aikana.

<b>Tavoitteet: </b> Tutkimuksen ensisijainen tavoite oli tutkia kohtausten tunnistamista ja luokittelua automaattisesti hyödyntämällä tekoälyä, joka analysoi videokuvasta erotettuja liikesignaaleja. Lisäksi arvioitiin videomonitoroinnin soveltuvuutta lääkeinterventioon vertailemalla sen antamia dokumentointituloksia kohtauspäiväkirjamerkintöihin, sekä liikeintensiteetin muutoksen arviointia lääkeintervention jälkeen tutkimalla liikkeen ominaisuuksia (motion feature) ja liikesignaaleja.

<b>Materiaalit ja metodit: </b> Tämä väitöstutkimus koostui neljästä osatutkimuksesta. Yhteensä 46 lääkeresistenttiä epilepsiaa sairastavaa potilasta osallistui yhteen tai useampaan osatutkimukseen. Jokaista potilasta kuvattiin kotonaan neljästä kahdeksaan viikkoa yöaikaan. Kaikissa tutkimuksissa hyödynnettiin feature extraction -menetelmää, jolla erotettiin videoista kolme biosignaalia: liike, oskillaatio ja ääni. 3. ja 4. tutkimuksessa tutkittiin brivarasetaami-intervention vaikutusta. Ensimmäisessä tutkimuksessa metodilla tunnistettiin automaattisesti yhden potilaan kohtaukset neljän viikon monitoroinnista. Toisessa tutkimuksessa automaattisen kohtausluokittelun tarkkuutta tutkittiin hyödyntämällä liikefeaturekokoelmaa (catch22). Sen avulla luotiin signaalidata klusterianalyysiin ja tulosten visualisointiin. Tutkimuksessa analysoitiin hyperkineettisiä, toonisia ja tooniskloonisia kohtauksia. Tekoälyn harjoittamiseen käytetty potilasdata sisälsi 130 kohtausta 10 potilaalta, ja sen testaamiseen käytetty data sisälsi 98 kohtausta 17 potilaalta. Kolmannessa tutkimuksessa verrattiin kohtauspäiväkirjojen ja videomonitoroinnin kohtausdokumentointia ja arvioitiin dokumentointimenetelmän vaikutus hoidon tulosten tulkintaan yhteensä 13 potilaan otannalla. Lisäksi tutkimuksessa arvioitiin kvalitatiivisia muutoksia liikeintensiteetissä ennen ja jälkeen intervention hyödyntämällä algoritmipohjaista featureanalyysiä. Neljännessä tutkimuksessa tutkittiin liikesignaalien muodostamien signaaliprofiilien piirteitä eri kohtaustyypeissä ja arvioitiin signaaliprofiilien yleistettävyyttä ja vaihtelua yksittäisellä potilaalla ja potilaiden välillä. Videodata sisälsi 13 hyperkineettistä kohtausta, 65 toonista kohtausta, 13 tooniskloonista kohtausta ja 138 motorista kohtausta 11 potilaalta.

<b>Tulokset: </b> Ensimmäisessä tutkimuksessa säädettiin parametrit ja kynnysarvot 90 % sensitiivisyydelle, joilla saavutettiin väärien löydösten määräksi 0.38/h kloonista liikettä sisältäville kohtauksille ja 1.02/h toonista liikettä sisältäville kohtauksille. Liike, oskillaatio ja äänen signaalit muodostivat erilaisia signaaliprofiileja eri kohtaustyypeille. Toisessa tutkimuksessa ajalliset liikeominaisuudet (temporal motion features) suoriutuivat parhaiten klusterianalyysissä, ja järjestelmä luokitteli automaattisesti hyperkineettiset kohtaukset 91 %:n, tooniset kohtaukset 88 %:n ja toonisklooniset 45 %:n tarkkuudella 100 ristiinvalidoinnin jälkeen. F1-score oli 93 %, 90 % ja 37 % näille kohtaustyypeille. Kolmannessa tutkimuksessa kolme potilasta koki 50 %:n kohtaustiheyden laskun intervention jälkeen, neljä potilasta ei reagoinut hoidolle ja kahdella potilaalla kohtaustiheys kasvoi videomonitoroinnin tulosten perusteella. Viisi potilasta yhdeksästä dokumentoi 40-70 % kohtauksista päiväkirjoihin verrattuna videomonitorointiin. Featureanalyysi osoitti merkittäviä muutoksia kohtausten liikeintensiteetissä kolmella potilaalla, ja tilastollisesti merkittäviä eroja featureissa kahdeksalla potilaalla. Neljännessä tutkimuksessa havaittiin, että tooninen kohtauskomponentti muodosti tunnistettavan muodon liikesignaaleihin. Hyperkineettisten ja motoristen kohtausten signaaliprofiileissa on yhteneväisiä piirteitä, mikä voi hankaloittaa kyseisten kohtausten erottamista. Visuaalisesti havaittavia muutoksia signaaliprofiileissa esiintyi kahdella potilaalla brivarasetaamin aloittamisen jälkeen.

<b>Johtopäätökset: </b> Automaattinen kohtausten videomonitorointi kykeni havaitsemaan automaattisesti motorisia kohtauksia ja erottamaan tooniset, klooniset ja toonisklooniset kohtaukset hyödyntämällä liikkeen, oskillaation ja äänen signaaleja. Eri motoristen kohtaustyyppien signaaliprofiilit saattavat olla hyödyllisiä kohtausten luokittelussa ja järjestelmän kehittämisessä. Videomonitorointi paransi kohtausten havaitsemisen herkkyyttä ja hoitovasteen arviointia päiväkirjoihin verrattuna. Videokuvaan perustuva järjestelmä mahdollisti myös featureanalyysin ja signaaliprofiilien visualisoinnin liikeintensiteetin arvioimiseksi brivarasetaamin aloituksen jälkeen.