AI工具在神经病学领域取得进展：用于癫痫检测与临床支持
根据特拉华大学的研究，AI算法现在可以在未捕捉到活动性癫痫发作的情况下，检测与遗传性癫痫相关的细微脑电图异常。在2026年美国神经病学会年会上，专家概述了AI在临床决策支持、环境听写记录和临床试验招募等方面的应用，同时强调临床医生必须保持独立判断。
人工智能正在多个前沿领域推动神经病学实践的进步，从检测隐藏在脑电波数据中的早期癫痫预警信号，到通过环境听写工具和临床决策支持减轻临床医生的工作负担。这些进展在近期的研究和重要神经病学会议讨论中得到了重点阐述。
在发表于《神经工程杂志》的一项概念验证研究中，特拉华大学的研究人员证明，机器学习算法即使在未观察到可见癫痫发作的情况下，也能识别与遗传性癫痫相关的细微脑电图异常。该算法将基线脑电图读数视为一种陌生的语言，识别其中频繁重复的电模式，并结合上下文学习其结构意义，从而凸显出人工审查者可能遗漏的异常情况。研究人员使用超过40只小鼠的多日脑电图记录测试了该系统，其中部分小鼠携带TSC1基因中导致癫痫的变异。这种机器学习方法成功区分了不同的遗传背景，并且仅凭基线脑电波，就在三分之二的小鼠品系中以高准确度识别出TSC1突变的存在。研究团队目前已将该方法过渡到临床，用于分析在Nemours儿童医疗中心接受癫痫评估的儿童较短时程的脑电图记录，该研究得到特拉华临床与转化研究ACCEL计划的支持。
在2026年美国神经病学会年会上，专家概述了AI在神经病学中的即时临床应用，包括环境听写与记录工具、电子病历中增强的AI临床决策支持、影像软件辅助，以及利用自然语言处理从非结构化数据中发掘符合条件患者的临床试验招募。环境听写技术可以显著减轻临床医生的负担，包括下班后完成口述记录的“睡衣时间”。一家医疗系统报告称，他们获得了一个新AI系统的使用权，该系统能利用患者过往数据的背景信息，帮助临床医生分析复杂的诊断。AI同样在支持神经影像分析，并使医学生的教学内容能够进行动态个性化调整。
专家强调，临床医生在使用AI工具时必须保持独立判断。“我认识的每个人都在倡导一种人在回路中或临床医生在回路中的决策方法，”一位神经病学家指出。“垃圾进，垃圾出”原则适用——如果输入数据不可靠，AI可能会得出错误答案，而专家级临床医生在排查故障方面仍扮演着关键角色。临床医生仍需对其做出的决策和诊断负责。
AI在支持临床试验招募和参与方面的潜力被认为尤其有前景，因为大量相关的患者数据仍处于非结构化状态。利用自然语言处理的AI可以读取这些非结构化数据，并生成符合试验资格标准的患者名单。在医学教育领域，学生已经开始直接与AI智能体互动，以解释复杂概念或从不同角度呈现信息。