BrainCapture

Specialeprojekt udført i samarbejde med BrainCapture — en DTU-spinoff inden for medicinsk teknologi, hvis mission er at gøre billige, bærbare EEG-scanninger og fortolkninger tilgængelige der, hvor behovet er størst.

Problemet

Epilepsi rammer omkring 50 millioner mennesker på verdensplan, og omkring 80 % af dem bor i lav- og mellemindkomstlande. Af dem skønnes 75 % — cirka 30 millioner mennesker — aldrig at modtage behandling. Omkostningsbarrieren er ikke medicinen; den er både billig og tilgængelig. Barrieren er diagnostikken. Et standard diagnostisk forløb ser sådan ud:

1. En EEG-tekniker betjener en EEG-maskine for at optage en patient.
2. En neurolog gennemgår optagelsen og stiller diagnosen.
3. Hvis epilepsi bekræftes, ordineres anfaldsmedicin, og de fleste patienter (~70 %) lever herefter anfaldsfrit.

Trin 1 kræver en dyr maskine og en uddannet operatør. Trin 2 kræver en neurolog. I landdistrikter og lavindkomstområder er alle tre dele en mangelvare. Selve behandlingen virker — det er vejen frem til at blive behandlet, der svigter.

BrainCaptures løsning

BrainCapture erstatter den klodsede EEG-maskine og den lokale tekniker med en Bluetooth-EEG-hætte og en guidende mobilapplikation, der fører en operatør igennem en standardiseret optagelse. Optagelsen uploades til skylagring; derfra kan en neurolog hvor som helst i verden hente den i en browser, gennemgå den, annotere den og stille en diagnose på afstand. Det samme browserbaserede workflow gør det også trivielt at indhente en second opinion og samarbejde på tværs — neurologer kan dele fund og diskutere samme optagelse uden at være i samme bygning (eller samme land).

Den sidste del — det browserbaserede værktøj — er det, specialet handlede om.

Hvad jeg byggede

En webapplikation til neurologer, der skulle læse og analysere EEG-optagelser uploadet via mobil-flowet. Specialet delte problemet i to:

1. Hvordan rendrer man effektivt en EEG-optagelse i browseren? Optagelserne er dusinvis af kanaler højfrekvent tidsseriedata, ofte timer lange. Naive løsninger sætter i stå hurtigt — både ved første load og under interaktion.
2. Hvilke værktøjer har en neurolog reelt brug for for at stille en diagnose ud fra den rendring? Afspilning, scrubbing, montage-skift, zoom, annotering — forskellen på “du kan se data” og “du kan arbejde med data”.

(1) var et performance-problem forklædt som et UX-problem. (2) handlede om at forstå det diagnostiske workflow godt nok til at fremhæve de rigtige primitiver uden at begrave neurologen i krom.

En sekundær del af arbejdet rørte ved skylagringsdelen — viewer’en kan kun være lige så god som de data, der fodrer den, så en del af projektet bestod i at sørge for, at optagelser, metadata og patientkontekst ankom i et format, viewer’en kunne læne sig op ad.

Stack

• Webapp — React + TypeScript med en custom canvas-baseret renderer til EEG-traces (charting-biblioteker kunne ikke følge med datatætheden og pan/zoom-interaktionerne).
• Skylagring — henter optagelser og metadata fra BrainCaptures eksisterende pipeline.
• State — Redux Toolkit til afspilnings- og annoteringstilstand, querylag til at hente optagelseschunks efter behov.

Resultat

Leveret som den neurologvendte del af BrainCaptures diagnostiske loop, parret med deres Bluetooth-hætte og mobilapp til optagelse. Specialet er katalogiseret hos DTU Findit. Mere om BrainCaptures mission og produkt på braincapture.ai.