ابزار هوش مصنوعی جدید با استفاده از تستهای شناختی و اسکنهای MRI، پیشرفت آلزایمر را با دقت 82 درصد پیشبینی و از روشهای فعلی بهتر عمل میکند. این ابزار میتواند نیاز به آزمایشهای پرهزینه را کاهش دهد و مداخله زودهنگام را بهبود بخشد.
بیماری آلزایمر عامل اصلی زوال عقل است که بیش از 55 میلیون نفر در سراسر جهان به آن مبتلا هستند.
دانشمندان کمبریج یک ابزار هوشمند مصنوعی ابداع کردهاند که میتواند در چهار مورد از پنج مورد پیشبینی کند که آیا افراد مبتلا به علائم اولیه زوال عقل پایدار میمانند یا به بیماری آلزایمر مبتلا میشوند.
این تیم میگوید این رویکرد جدید میتواند نیاز به آزمایشهای تشخیصی تهاجمی و پرهزینه را کاهش داده و در عین حال نتایج درمان را زودتر بهبود بخشد، زمانی که مداخلاتی مانند تغییر سبک زندگی یا داروهای جدید ممکن است شانس بهترین کار را داشته باشند.
پیش بینی آلزایمر با هوش مصنوعی
زوال عقل یک چالش مهم مراقبتهای بهداشتی جهانی است که بیش از 55 میلیون نفر در سراسر جهان را تحت تاثیر قرار میدهد و هزینه تخمینی سالانه آن 820 میلیارد دلار است. پیشبینی میشود تعداد مبتلایان طی 50 سال آینده تقریبا سه برابر شود.
علت اصلی زوال عقل بیماری آلزایمر است که 60 تا 80 درصد موارد را تشکیل میدهد. تشخیص زودهنگام بسیار مهم است، زیرا این زمانی است که درمانها احتمالا مؤثرتر هستند، اما تشخیص زودهنگام و پیشآگهی زوال عقل ممکن است بدون استفاده از آزمایشهای تهاجمی یا گرانقیمت مانند اسکن توموگرافی گسیل پوزیترون (PET) یا پونکسیون کمری دقیق نباشد.
در نتیجه، ممکن است تا یکسوم بیماران به اشتباه تشخیص داده شوند و سایرین آنقدر دیر مورد تشخیص قرار بگیرند که دیگر درمان بیفایده باشد.
حالا تیمی به رهبری دانشمندان دپارتمان روانپزشکی دانشگاه کمبریج یک مدل یادگیری ماشینی ایجاد کردهاند که میتواند پیشبینی کند که آیا فردی با مشکلات حافظه و تفکر خفیف به بیماری آلزایمر مبتلا می شود یا خیر.
در تحقیقات منتشر شده در eClinicalMedicine، آنها نشان دادهاند که این مدل هوش مصنوعی دقیقتر از ابزارهای تشخیصی بالینی فعلی است.
برای ساخت مدل خود، محققان از دادههای جمعآوریشده، غیرتهاجمی و کمهزینه بیماران – آزمایشهای شناختی و اسکنهای MRI ساختاری که آتروفی ماده خاکستری را نشان میدهند- از بیش از 400 نفر که بخشی از یک گروه تحقیقاتی در ایالات متحده بودند، استفاده کردند.
آنها سپس مدل را با استفاده از دادههای واقعی بیمار از 600 شرکتکننده دیگر از گروه ایالات متحده و – مهمتر از همه – دادههای طولی 900 نفر از کلینیکهای حافظه در بریتانیا و سنگاپور آزمایش کردند.
این الگوریتم قادر بود بین افراد مبتلا به اختلال شناختی خفیف پایدار و افرادی که در یک دوره سه ساله به بیماری آلزایمر پیشرفت کرده بودند، تمایز قائل شود. این دستگاه توانست به درستی افرادی را که در ۸۲ درصد موارد به آلزایمر مبتلا شدهاند و در ۸۱ درصد موارد از طریق تستهای شناختی و اسکن MRI به درستی شناسایی کند.
این الگوریتم در پیشبینی پیشرفت آلزایمر سه برابر دقیقتر از استاندارد مراقبت فعلی بود. یعنی نشانگرهای بالینی استاندارد (مانند آتروفی ماده خاکستری یا نمرات شناختی) یا تشخیص بالینی. این نشان میدهد که این مدل میتواند به طور قابل توجهی تشخیص اشتباه را کاهش دهد.
این مدل همچنین به محققان اجازه داد تا افراد مبتلا به بیماری آلزایمر را با استفاده از دادههای مربوط به اولین ملاقات هر فرد در کلینیک حافظه در سه گروه طبقهبندی کنند: کسانی که علائم آنها ثابت میماند (حدود 50 درصد از شرکتکنندگان)، کسانی که به آهستگی به سمت آلزایمر پیشرفت میکنند (حدود 35٪) و کسانی که با سرعت بیشتری پیشرفت میکنند (15٪ بقیه).
این پیشبینیها هنگام بررسی دادههای پیگیری در طول شش سال تایید شد. این موضوع مهم است، زیرا میتواند به شناسایی آن افراد در مراحل اولیه به اندازه کافی کمک کند تا از درمانهای جدید بهرهمند شوند.
نکته مهم این است که آن 50 درصد از افرادی که علائمی مانند از دست دادن حافظه دارند اما پایدار میمانند، بهتر است به مسیر بالینی متفاوتی هدایت شوند، زیرا علائم آنها ممکن است به دلایل دیگر به جای زوال عقل، مانند اضطراب یا افسردگی باشد.
این تیم اکنون امیدوار است که مدل خود را به سایر اشکال زوال عقل، مانند زوال عقل عروقی و دمانس پیشانی گیجگاهی، و با استفاده از انواع مختلف دادهها، مانند نشانگرهای آزمایش خون، گسترش دهد.
منبع : neurosciencenews