En ny kunstig intelligens-plattform kan endre hvordan pasienter samhandler med medisinsk utstyr. Gjennom en smarttelefonapp kan brukerne sende meldinger til systemet og få svar i sanntid, stille spørsmål om hjerneaktivitet, rapportere symptomer og atferd, motta personlige varsler og bidra til å lære opp systemet til å kjenne igjen mønstre knyttet til epileptiske anfall.

Studien er publisert i Nature Medicine og er utført av forskere ved Perelman School of Medicine og Center for Neuroengineering and Therapeutics ved University of Pennsylvania. Målet er å utvikle medisinsk utstyr som ikke bare samler inn data for senere vurdering av leger, men som også samarbeider aktivt med pasienten om oppfølgingen.

Testet på pasienter med kontinuerlig EEG

For å undersøke den nye kommunikasjonsformen inkluderte forskerne 13 voksne som ble overvåket kontinuerlig med elektroencefalografi, EEG, ved University of Pennsylvanias avdeling for epilepsiovervåking. Deltakerne var innlagt av ulike årsaker, blant annet for å finne ut hvor anfallene oppsto eller som del av en utredning før en mulig operasjon.

Plattformen ble utviklet av et team av doktorgradsstudenter i bioingeniørfag ved universitetet. Teamet ble ledet av Zach Goldblum, Haoer Shi og Junquan Xu. I sentrum sto en app der pasientene kunne spørre om hjerneaktivitet, be om visualiseringer av utviklingen i data, rapportere symptomer og få varsler eller spørreundersøkelser gjennom dagen.

Systemet kunne vise informasjon som tekst, diagrammer og andre visuelle formater. Det kunne også selv ta kontakt med pasienten dersom det oppdaget endringer som kunne være relevante. Samtidig lærte systemet fortløpende av svarene pasientene ga.

«I stedet for å vente på at en spesialist skal analysere dataene utstyret ditt har samlet inn, kan utstyret selv oppdage endringer og varsle deg umiddelbart – omtrent som en personlig Jiminy Cricket på skulderen din», sa studiens hovedforfatter Brian Litt, professor i nevrologi, nevrokirurgi og bioingeniørfag.

Han la til at både pasienten og utstyret over tid kan lære av hverandre. Utstyret lærer hva som er viktig for pasienten, mens pasienten kan få bedre innsikt i hvordan egen atferd påvirker helsen.

Analyserte over 1300 meldinger

Forskerne analyserte 1307 meldinger som ble utvekslet mellom pasientene og systemet under studien. De fleste samtalene handlet om anfallsepisoder, søvn, humør, energinivå og andre faktorer som kan påvirke anfallsaktiviteten.

Deltakerne måtte også svare på spørsmål tre ganger daglig om søvn, uro, humør, allmenntilstand og andre symptomer. Flere pasienter oppga at plattformen hjalp dem med å forstå sammenhenger de tidligere hadde lagt merke til, men ikke klart å tolke.

I beskrivelsen av studien heter det at én deltaker opplevde at systemet bidro til å bekrefte det han selv hadde følt var en reell sammenheng mellom enkelte episoder og følelser. Andre satte pris på å få tilgang til informasjon om søvn og varsler før større anfall.

Pasientene kunne også lære opp systemet ved å markere hvilke anfall programmet hadde identifisert riktig, og hvilke varsler som viste seg å være falske. Dette bidro til å forbedre systemets presisjon i gjenkjennelsen av anfall.

Leger kunne kommunisere med systemet for å gå gjennom vurderingene og legge inn egne merknader om reelle anfall og falske varsler. Til dette ble det brukt en såkalt «ekspert i sløyfen»-algoritme. Den reduserte behovet for at spesialister måtte involveres i alle vurderinger, slik at de kunne konsentrere seg om de mest verdifulle merknadene.

Kan brukes utenfor sykehus

Forskerne mener systemene etter hvert kan trenge bare begrenset klinisk oppfølging når de blir mer personlige. Det kan gjøre slike plattformer egnet for langvarig bruk der pasientene bor, og ikke bare under sykehusopphold.

Selv om studien handlet om epilepsi, mener forskergruppen at plattformen også kan brukes sammen med hjerteutstyr, insulinpumper og nye behandlingsmetoder for nevropsykiatriske lidelser. Forskerne peker blant annet på Parkinsons sykdom, depresjon, tvangslidelser, avhengighet og kognitive forstyrrelser som mulige bruksområder.

I framtidige løsninger kan systemene kanskje justere behandlingen automatisk, samtidig som de kommuniserer direkte med pasientene om symptomer og behandlingsmål. Forskerne forbereder allerede studier sammen med nevrologi- og bioingeniørfaglig førsteamanuensis Lauren Hammer. Der skal plattformen brukes til å undersøke automatisk justering av dyp hjernestimulering ved behandling av Parkinsons sykdom.

Videre arbeid skal også omfatte bærbare enheter for overvåking av søvnløshet, epilepsi, hjerneaktivitet og vitale tegn.

«Pasienter forstår ofte sider ved sykdommen sin som sensorer ikke kan måle direkte», sa Litt. «Tenk deg en insulinpumpe som kan svare på hvordan et måltid vil påvirke blodsukkeret, eller et apparat for Parkinsons sykdom som tilpasser behandlingen etter hvordan pasienten føler seg mens han går eller skriver et brev. Vi ser for oss medisinsk utstyr som omsorgspartnere, som lærer sammen med pasientene og hjelper dem med å ta bedre beslutninger i hverdagen.»

Skal undersøke helseeffekten videre

Forskerne mener denne toveis kommunikasjonen kan endre forholdet mellom pasienter og medisinsk utstyr betydelig. I stedet for å være passive overvåkingsverktøy kan enhetene hele tiden kombinere fysiologiske signaler, pasientenes tilbakemeldinger og AI-analyser for å gi mer personlig og raskere tilpasset oppfølging.

Arbeidet inngår i Brian Litts bredere utvikling av nye hjerne–datamaskin-grensesnitt. Målet er systemer som kan registrere fysiologiske signaler, kommunisere med pasienter, lære av svarene deres og tilpasse behandlingen i sanntid.

I kommende studier skal forskerne undersøke om plattformen kan redusere hyppigheten og alvorlighetsgraden av anfall, bedre livskvaliteten, redusere antallet besøk på akuttmottak og begrense bruken av helsetjenester. Testingen skal også utvides til pasienter som ikke er innlagt, ved hjelp av nyere minimalt invasive EEG-løsninger og bærbar teknologi for kontinuerlig overvåking i hverdagen.

Studien, «Human-AI Collaboration for Co-Managing Epilepsy in Real Time», ble publisert i Nature Medicine i 2026. DOI-nummeret er 10.1038/s41591-026-04680-4.