人工智能驱动的闭环设备在癫痫猝死预测与预防中的应用：来自患者与照护者的洞察

本研究首次探讨人工智能驱动的闭环设备（AI-CLD）在癫痫猝死（SUDEP）预测与预防中的应用潜力，通过定性研究揭示患者（PWE）与照护者（CG）对AI-CLD的接受度、关键顾虑（如准确性、自动化干预控制）及设计偏好（可穿戴、舒适性、数据共享），为SUDEP防治技术的用户中心化设计提供关键依据。

　　

引言背景

癫痫猝死（Sudden Unexpected Death in Epilepsy, SUDEP）是癫痫患者死亡的主要原因，尤其在耐药性癫痫中发生率显著升高（约1.2/1000人年）。其机制可能与自主神经功能障碍、呼吸抑制及心脏异常相关，但目前缺乏有效的预测与预防策略。现有手段如发作监测设备存在灵敏度低、误报率高及实时干预能力不足的局限。人工智能（AI）技术的发展为癫痫管理带来新机遇，尤其是基于多模态生理数据（如脑电图、心电图、呼吸模式）的机器学习算法，已展现出识别癫痫发作前状态和高风险条件的潜力。人工智能驱动的闭环设备（AI-CLD）整合实时数据采集、AI预测模型与自动干预功能，在神经系统疾病（如帕金森病）中已有成功应用，但其在SUDEP防治领域的探索尚属新兴方向。

研究方法与设计

本研究基于NEUROSENSE项目（http://www.neurosense-project.eu），旨在通过间质液（Interstitial Fluid, ISF）检测新型SUDEP预测性神经内分泌生物标志物，并开发AI-CLD原型设备。该设备包含四个核心组件：

1. 1.
   连续癫痫检测传感器
2. 2.
   SUDEP生物标志物监测传感器
3. 3.
   处理器（内置AI算法）
4. 4.
   执行器（紧急药物输送系统）

设备通过微针连续采样ISF，实时分析生物标志物数据。当检测到高风险发作时，系统自动触发干预（如注射SUDEP预防药物），同时通过移动设备向照护者（CG）和医疗团队发送警报，并上传数据至云端平台供长期风险趋势分析。

为评估用户接受度，研究采用定性方法，于2024年10月至2025年2月期间开展三个焦点小组（两组癫痫患者PWE、一组照护者CG），共涉及8名PWE（中位年龄30–39岁）和15名CG（中位年龄40–49岁）。讨论主题涵盖：

• •
  对AI-CLD预测与预防SUDEP的期望
• •
  AI在医疗决策中的信任度与准确性顾虑
• •
  设备采用障碍与促进因素（如穿戴舒适性、干预控制权）

核心发现

用户对AI-CLD的期望与态度

多数PWE和CG对AI-CLD持积极态度，支持其实时监测、数据自动共享与即时干预功能。所有参与者均同意将设备数据自动传输至医疗团队，认为这可提升医疗监督效率与安全性。设备需具备的核心功能包括：

• •
  追踪SUDEP风险随时间变化（15名CG、8名PWE强烈支持）
• •
  提供发作前即时反馈（15名CG、7名PWE强烈支持）
• •
  在自动干预前发出预警（14名CG、8名PWE强烈支持）

AI决策的信任与控制权

尽管整体接受度高，双方均对AI准确性、过度依赖自动化及干预控制权表示担忧。CG对误报的容忍度较高（部分接受10%–40%误报率），而PWE更谨慎（多数要求误报率≤5%）。CG更倾向于自动干预（13名支持），而PWE更强调自主权（6名要求可调整干预）。关键诉求包括：

• •
  AI决策过程需透明化
• •
  干预需与已验证的SUDEP生物标志物风险关联（13名CG支持）
• •
  保留人工决策选项（如通过APP确认后再给药）

设备设计与实用性偏好

可穿戴设计广受青睐，植入式方案则多数被拒绝。影响采纳的关键因素包括：

• •
  舒适性与隐蔽性（13名CG、7名PWE认为至关重要）
• •
  设备放置位置：CG偏好背部（10名），PWE偏好手臂（5名）
• •
  交互方式：CG倾向手机APP（13名），PWE倾向集成屏幕（5名）
• •
  更换频率：CG倾向双周更换（11名支持），PWE倾向每周更换（8名支持）

警报设置方面，多数用户希望设备对所有发作类型报警（8名CG、7名PWE），而非仅限SUDEP高风险发作。设备脱落警报功能得到高度支持（15名CG、7名PWE同意发送警报至CG；10名CG、6名PWE同意发送至医疗团队）。

讨论与意义

本研究首次系统探索AI-CLD在SUDEP防治中的用户视角，揭示其潜在变革价值：

1. 1.
   提升SUDEP防治效率：通过实时监测与自动干预，减少人为错误与响应延迟，尤其在紧急场景中可能挽救生命。
2. 2.
   优化医患协作：数据自动共享可加强医疗团队对患者风险的长期管理，辅助个性化治疗决策。
3. 3.
   用户中心化设计准则：设备需平衡自动化与用户控制权，确保高准确性、最小化副作用，并通过透明化设计建立信任。

与糖尿病闭环设备（如胰岛素泵）的成功应用相比，SUDEP防治AI-CLD仍处早期阶段，需进一步解决伦理、隐私及心理影响问题。未来研究需扩大样本多样性，结合实体原型测试长期可用性，并纳入阴性对照组（如非癫痫人群）以验证设备特异性。

局限与展望

本研究受样本量较小及缺乏实体设备体验的限制，结论普适性需进一步验证。在线焦点小组可能影响讨论深度，但仍是可行方法。未来工作需聚焦：

• •
  开发高安全性、低副作用的干预措施（如优化药物类型与剂量）
• •
  建立AI算法验证框架（包括多中心临床试验）
• •
  制定伦理指南与数据隐私保护机制
  通过临床团队、癫痫倡导组织与技术开发者的协作，AI-CLD有望成为SUDEP风险管理的重要工具，最终降低癫痫相关死亡率。