Ann Neurol-康奈尔大学新发现：人工智能，助力癫痫诊疗

在不感兴趣心电图（EEG）追踪的危重病人中，超过一半的人出现了抑郁症和类似抑郁症的有规律和节律性脑大型活动模式（"抑郁症的集大型活动"）。在小范围的全面性函数调用中，这些模式已被证明与神经细胞残疾人和死亡率的减小有关，妨碍后果的随机性与抑郁症的集大型活动的支出成比例地上升。

然而，抑郁症的集大型活动（EA）支出的病症相关性还没有在横跨整个神经细胞、内科和外科癌症的大型和表型函数调用中得到假设。年的中心电图数据的量化和EA支出的大规模假设，不仅用于病症研究者，也用于潜在的治疗法测试，但由于审查和编者原始心电图的工期性而受到限制。

藉此，哈佛大学的Sahar F. Zafar等人，联合开发了一种新相应方法，能够发挥作用编者来自急性住院病人的大量年中EEG记事中的所有抑郁症形态。利用这些编者，他们联合开发了一个数据处理三维，来少于出院时过后受伤害于抑郁症的集大型活动对神经细胞残疾人高水平的实质上助益。

踏天对2011-2017初不感兴趣>16不间断年的中心电图的1967名神经生物学、内科和外科患者透过单的中心回顾性量化。并联合开发了一种人工智能算法，对11.02 TB的EEG透过编者，并对记事72不间断内的抑郁症大型活动支出透过假设。

他们评估了：1）记事的之前24不间断内的支出2）支出最高的12不间断纪元（略低于支出），3）追踪的之前72不间断内的累积。最后，应用数据处理来少于抑郁症病支出对结果的影响。结果的比如说是出院改良的Rankin量表，统称好（0-4）和负（5-6）两类。

他们发现，抑郁症略低于支出与妨碍故事情节实质上相关（P<0.0001）。其他实质上的关联包括年龄、APACHE II、发病时的抑郁症发作和缺氧缺血性脑病的诊断。

根据最后一次心电图精确测量（最多72不间断的追踪）和出院错综复杂的时间间隔：最后一次精确测量和出院错综复杂的时间间隔

这个研究者的重要在于发现了，相应精确测量抑郁症的集大型活动略低于支出为愿景的多的中心随机测试备有了一个方便、相符和可假设的尽可能，以调查抑制抑郁症的集大型活动是否能改善结果。

中文翻译引自：Zafar SF, Rosenthal ES, Jing J, Ge W, Tabaeizadeh M, Aboul Nour H, Shoukat M, Sun H, Jed F, Kassa S, Edhi M, Bordbar E, Gallagher J, Moura V, Ghanta M, Shao YP, An S, Sun J, Cole AJ, Westover MB. Automated annotation of epileptiform burden and its association with outcomes. Ann Neurol. 2021 Jul 7. doi: 10.1002/ana.26161. Epub ahead of print. PMID: 34231244.