کاربرد بیومارکرهای الکتروفیزیولوژیک مبتنی بر EEG و الگوریتم های محاسباتی در مدیریت صرع

صرع یکی از شایع ترین اختلالات مزمن دستگاه عصبی است که تشخیص به موقع آن در انتخاب درمان مناسب اهمیت دارد. الکتروانسفالوگرافی (EEG) رایج ترین روش غیرتهاجمی ثبت فعالیت الکتریکی مغز و یکی از ابزارهای اصلی ارزیابی بیماران مبتلا به صرع است. بااین حال، طبیعی بودن EEG در برخی بیماران و نبود تخلیه های صرعی بین حمله ای (IEDs) تشخیص را با محدودیت هایی مواجه می کند. این مطالعه با هدف مرور کاربردهای EEG در تشخیص و مدیریت صرع و بررسی پیشرفت های تحلیل سیگنال، مقالات منتشرشده طی سال های ۲۰۰۷ تا ۲۰۲۶ را بررسی کرده است. در این مرور، مبانی نوروفیزیولوژیک صرع، نشانگرهای الکتروفیزیولوژیک، روش های پردازش سیگنال، و کاربرد الگوریتم های یادگیری ماشین و یادگیری عمیق در تشخیص خودکار تشنج و پایش درمان مرور شد. نتایج نشان می دهد ترکیب تحلیل کمی EEG با روش های پیشرفته پردازش سیگنال و هوش مصنوعی می تواند دقت تشخیص، افتراق انواع تشنج و ارزیابی پاسخ درمان را بهبود بخشد؛ هرچند اعتبارسنجی این روش ها در مطالعات استاندارد و جمعیت های بزرگ تر برای کاربرد گسترده بالینی ضروری است.

کلیدواژه ها:

صرع ، الکتروانسفالوگرافی (EEG) ، بیومارکرهای الکتروفیزیولوژیک ، پردازش سیگنال ، هوش مصنوعی ، یادگیری ماشین ، یادگیری عمیق ،