تظل مهمة الكشف التلقائي عن النوبات من تخطيط الدماغ (Electroencephalography) أحد التحديات التي لم تُحل بشكل كامل، حيث تواجه النماذج الحالية صعوبة في التعميم على المرضى أو البيئات السريرية المتنوعة. على الرغم من دقة الرسوم البيانية في الدراسات السابقة، إلا أن النتائج تشير إلى أن هذه النماذج غالبًا ما تفشل عند تطبيقها على مجموعات مرضى جديدة.

لتقييم الفجوة الحالية في القدرة على التعميم، أجريت دراسة واسعة النطاق اختبرت 28 خوارزمية حديثة، تتراوح من تقنيات الهندسة التقليدية إلى التعلم العميق (Deep Learning). تم تنظيم هذه الدراسة من خلال مسابقة، حيث تم استخدام قاعدة بيانات خاصة تحتوي على تسجيلات EEG مستمرة لأكثر من 65 مريضًا، بإجمالي 4360 ساعة من البيانات.

قام أطباء الأعصاب بتحديد الأحداث الحيوية، مما ساعد في تأسيس حقائق دقيقة حول النوبات. تم تقييم أداء الخوارزميات باستخدام معايير قائمة على الأحداث وفقًا لإطار العمل SzCORE، بما في ذلك الحساسية (Sensitivity) والدقة (Precision) ومعدل الشك الإيجابي.

أظهرت النتائج تفاوتًا كبيرًا في الأداء بين الخوارزميات الرائدة، مع أعلى درجة F1 تبلغ 32% (حساسية 37% ودقة 29%)، مما يبرز الصعوبة المستمرة لهذه المهمة. كما كشف التحليل عن وجود تباين بين ذروة الأداء واستقرار النتائج على مستوى السكان، إذ لم تحقق الخوارزميات الأعلى نتائج ثابتة عبر المرضى.

تشير هذه التقييمات المستقلة إلى الفجوة بين الفعالية المبلغ عنها والأداء الفعلي عند اختبارها على مجموعات جديدة، مما يُبرز الحاجة الملحة لوضع معايير موحدة ومراجعة دقيقة. وبفضل هذا الإطار، سيتم تحويل البنية التحتية للتقييم إلى منصة مفتوحة مستمرة، مما يعزز البحث القابل للتكرار ويعجّل من تطوير خوارزميات الكشف عن النوبات بشكل فعال.