Migreenikohtauksien ennustaminen koneoppimisen ja puettavien laitteiden avulla

Abstract

Migreeni on yleinen neurologinen sairaus, joka heikentää merkittävästi toimintakykyä ja aiheuttaa huomattavaa yksilöllistä ja yhteiskunnallista kuormitusta. Migreenikohtausten varhainen tunnistaminen on keskeistä tehokkaan hoidon ja omahoidon kannalta. Tämän insinöörityön tarkoituksena oli kartoittaa, miten koneoppimista ja puettavia teknologioita voidaan hyödyntää migreenikohtausten tunnistamisessa ja ennustamisessa sekä mitkä ovat aiheen keskeiset haasteet ja kehityssuunnat. Työ toteutettiin kartoittavana kirjallisuuskatsauksena. Katsaukseen valittiin kymmenen tutkimusta, joiden sisältöä tarkasteltiin systemaattisen sisältöanalyysin avulla.

Tuloksissa havaittiin, että koneoppimismallit pystyvät luokittelemaan migreenin muita päänsäryn muotoja vasten tarkasti, mutta migreenikohtausten ajallinen ennustaminen on haastavaa. Yksilöllisesti koulutetut mallit suoriutuvat väestötason malleja paremmin, mikä korostaa migreenin yksilöllistä luonnetta. Migreenin esivaiheeseen liittyviä muutoksia havaittiin useissa tutkimuksissa erityisesti sykkeessä ja sykevälivaihtelussa, ihon lämpötilassa, ihon sähkönjohtavuudessa sekä uni- ja aktiivisuusmuuttujissa.

Keskeisimpiä haasteita tutkimuksissa olivat pienet otoskoot, lyhyet seurantajaksot, epätasainen datankeruu sekä itse raportoituihin päiväkirjoihin liittyvä subjektiivisuus. Tulevaisuuden kehityssuuntina on sensoridatan ja oiremerkintöjen yhdistäminen sekä yksilöllinen mallinnus, joita voidaan tukea digitaalisilla hoitoalustoilla ja digitaalisen kaksosen kaltaisilla ratkaisuilla.