Leur méthode repose sur deux modèles d’intelligence artificielle interconnectés : un modèle « enseignant » qui anticipe des événements futurs à partir de données récentes, et un modèle « élève » qui utilise des données historiques pour prévoir les crises à venir.
Cette innovation a démontré une amélioration de la performance jusqu’à 44,8 % par rapport aux techniques traditionnelles lors de l’analyse des données EEG de patients.
En s’inspirant du fonctionnement du cerveau humain, cette méthode pourrait également pave le chemin vers la médecine personnalisée.
Les chercheurs envisagent de créer un système où des informations spécifiques à chaque patient, recueillies par des dispositifs portables, permettraient d’ajuster et d’optimiser continuellement les prévisions.
Les résultats, publiés dans Nature Communications, soulignent l’importance d’harmoniser les données dynamiques pour une meilleure efficacité dans les prévisions, ce qui révèle un potentiel d’application dans de nombreux domaines.
Source: IA Tech news
