Seizures are the most common neurological emergency among neonates and if left untreated they can cause permanent brain damage. The current gold standard for neonatal seizure detection is continuous electroencephalogram (EEG) visually interpreted by a human expert. Such expertise is rarely available round-the-clock and reliable automatic seizure detection could fill the gap. The detectors have been in development for about three decades and they are approaching human-level classification performance. In this work, we analyse and improve a detector based on deep learning. First, we study how to utilise the rather small data sets normally available for the development of detectors. In this case, we found that it is important to use the data for which multiple experts agreed on the seizure annotation. The size of the data sets could be increased if data from multiple institutions would be combined. To share the data information safely without breaking data-sharing policies, we propose to use an ensemble of locally developed seizure detectors. Second, we analyse the classification performance of a detector for a reduced number of input EEG signals and results indicate the performance is acceptable even when the number of input signals is small. The detector is further improved by utilizing calibration methods to be able to inform the user about uncertain predictions. Last, we gather user experience with a commercial seizure detector by conducting interviews with nurses. A common finding was that automatic seizure detections need to always be verified, but the nurses still find the detector useful despite many falsely detected seizures.
Flog eru tiltölulega algeng meðal nýbura. Mikilvægt er að greina þau snemma því ómeðhöndluð flog geta leitt til varanlegs heilaskaða. Nákvæm greining á flogum byggir á lestri heilarita
en það krefst sérfræðiþekkingar. Slík þekking er ekki alltaf til staðar og í þeim tilfellum geta
sjálfvirkar greiningaraðferðir komið að góðum notum. Rannsóknir á sjálfvirkum aðferðum til
að greina flog spanna rúma þrjá áratugi en á síðustu árum hafa komið fram aðferðir með greiningarnákvæmni sem stendur sérfræðingum ekki langt að baki. Í þessu verkefni var unnið með
greiningaraðferð sem byggir á djúpum tauganetum, hún skoðuð ítarlega og síðan endurbætt.
Til að hægt sé að þróa aðferðir sem byggja á tauganetum þarf talsvert magn af gögnum sem
búið er að greina en í tilfelli nýburafloga eru gögn almennt af skornum skammti. Í verkefninu
var skoðað hvernig mætti nýta lítil gagnasöfn sem best. Í ljós kom að mikilvægt er að styðjast
við greiningar sem fleiri en einn sérfræðingur sammælast um. Vegna persónuverndarlaga er
ekki einfalt að safna gögnum frá mörgum sjúkrastofnunum á einn stað til að mynda eitt stórt
gagnasafn. Því var þróuð aðferð sem gerir stofnunum kleift að þjálfa tauganet á eigin gögnum
og sameina svo líkönin þannig að persónuupplýsingar séu ekki í hættu. Nákvæmni greiningaraðferðinnar var skoðuð með hliðsjón af því að flest heilarit innihalda tiltölulega fáar rásir. Í
ljós kom að ásættanleg nákvæmni fæst í þessum tilvikum. Æskilegt er að sjálfvirkar aðferðir
gefi notendum til kynna þegar óvissa er í greiningu og því var unnið að því að bæta kvörðun
aðferðarinnar. Að lokum var gerð könnun meðal hjúkrunarfólks á nýburugjörgæslu á notkun
á vöktunarbúnaði fyrir flog en þessi búnaður er í almennri noktun á mörgum sjúkrahúsum.
Niðurstöður sýndu að þrátt fyrir margar falskar viðvaranir, sé kerfið almennt gagnlegt, að því
gefnu að allar viðvaranir séu skoðaðar sérstaklega.
