撰文丨王聪

编辑丨王多鱼

排版丨水成文

在全世界 7000 万癫痫患者中，有三分之一的患者无法通过药物控制癫痫发作，而植入式设备是一种有前景的治疗方法。这些设备能够检测即将发生的癫痫发作、漏服药物以及认知功能受损，但与大多数医疗设备一样，它们无法实时将这些信息分享给患者。这使得设备错失了从临床事件中学习并指导患者了解自身行为如何影响健康的机会。

2026 年 10 月 13 日，宾夕法尼亚大学的研究人员在Nature Medicine期刊发表了题为：Human–artificial intelligence collaboration for comanaging epilepsy in real time 的研究论文。

研究团队开发了 一种基于人工智能的可与癫痫患者“对话”的设备平台， 实现了患者与癫痫监测设备之间的实时通信。研究团队进一步开展了一项小型临床研究，癫痫患者通过智能手机 App 查询自身生理数据，并获得了准确的信息反馈，AI 系统则根据患者的反馈不断学习，以改进癫痫发作的检测能力，最终将癫痫发作误报率降低了约 80%。

在全世界约 7000 万癫痫患者中，超过三分之一的患者即使接受了积极的药物治疗，仍会持续癫痫发作。其中部分患者可接受功能性手术（切除或激光消融引发癫痫的脑区），但只有半数患者实现两年后无发作。植入式设备是一种令人振奋的微创替代方案，可在不引发手术最严重副作用（例如认知障碍或情绪障碍）的情况下改善癫痫控制效果。然而，使用这类设备实现完全无发作的情况仍属罕见。

即使对于三分之二对药物治疗有效的癫痫患者而言，虽然能够“无发作”生活，但仍需依赖药物，这带来了持续挑战。这些患者可能因常见的生活事件而面临癫痫复发的风险，例如漏服药物、睡眠不足、怀孕或服用某些会增加癫痫发作风险的常用处方药。因此，有必要开发有助于癫痫患者生活的技术，因为临床治疗往往无法实现完全无发作。

美国 FDA 仅批准了三种用于治疗癫痫的设备。无论是开环式（在固定周期内刺激，不依赖神经活动）还是闭环式（根据预设的检测标准进行响应性刺激），这些设备都能逐步减少癫痫发作，在最积极的研究中，植入 9 年后平均癫痫发作减少幅度最高可达 75%。约 30% 的患者改善甚微或无明显改善。尽管部分设备可异步存储和传输少量数据，但均无法实时共享信息。这错失了向患者传递设备“知晓”却无法传达的有用信息的机会，例如发作风险的变化、已知诱发因素的存在，或识别特定患者行为——这些行为可能对控制癫痫有益（例如增加睡眠时间），也可能有害（例如饮酒或服用某些药物）。同样，现有设备无法根据患者的个体需求和生活方式进行个性化设置，缺乏丰富的数据标注机制，也无法在最少医生干预的情况下高效地重新训练算法。

新型微创脑电图（EEG）设备，有望通过在患者日常生活中持续采集数据，显著改变癫痫的管理方式。这些设备形式多样，从小型电池供电的单通道头皮贴片，到皮下植入装置和可穿戴设备不等。部分设备可将连续的脑电数据传输至智能手机，再上传至云端，由临床医生进行处理和查看。可穿戴设备则用于监测运动、心率及其他外周参数，以便及时向家属发出惊厥性癫痫发作的预警。然而，目前这类设备尚不具备双向交互功能，无法让患者实时与设备进行沟通和互动。

目前，尚无文献描述过能够与患者或其需求进行双向交互的癫痫治疗设备。该研究团队认为，理想的交互式癫痫设备应具备以下功能：1）清晰呈现传感器获取的信息（例如头皮或颅内脑电图）；2）根据患者的认知水平，以可操作的文字和图表回答患者提问；3）提供直观、低延迟的对话界面，支持问卷调查及双向语音或文字交流；4）利用患者反馈对数据进行标注，并重新训练自适应算法；5）确保输出内容的恰当性、真实性、安全性和保密性；6）允许专家高效地审查和标注数据，以支持患者诊疗并持续优化设备性能。

在这项最新研究中，研究团队开发了一种可与患者“对话”的设备平台，旨在帮助患者管理癫痫，并报告对 13 名癫痫患者进行前瞻性测试的结果。

该平台将头皮和颅内脑电图（EEG）数据连接至一个安全的、基于大语言模型的人工智能（AI）系统，并通过智能手机应用程序实现双向通信。该 AI 系统处理睡眠、用药、认知及癫痫发作概率等生物标志物，向患者通知临床事件和趋势变化，记录症状和反应，并利用患者的反馈重新训练其癫痫发作检测器，从而减少误报。

研究团队进一步在宾夕法尼亚大学医院癫痫监测病房中，对 13 名患者进行了为期数天的测试。参与者通过智能手机接收基于其脑电图（EEG）数据的提醒、问卷及其他通知，并可随时向对话式 AI 系统提出具体问题，例如询问睡眠期间是否发生过癫痫发作，结果显示，患者与 AI 系统之间实现了高度双向互动，双方共交换了超过 1300 条消息。该 AI 系统对有关大脑活动的提问，准确且相关地回应了 92% 以上的问题。参与者对实时癫痫发作检测的响应率超过 67%，并标记这些检测结果为真实、错误或不确定。AI 系统利用患者的反馈对癫痫检测模型进行微调，这显著提升了 AI 系统定位癫痫发作的能力，并使癫痫发现误报率在整个研究期间降低了 80%。此外，让 AI 系统进一步学习专家的反馈意见，又额外减少了 2% 的误报次数。

因此，研究团队提出，该 AI 系统作为一种可扩展且安全的医疗设备平台，能够快速适应癫痫及其他疾病患者和医护人员的需求。

论文链接：

//www.nature.com/articles/s41591-026-04680-4