هوش مصنوعی پیشرفت آلزایمر را پیش‌بینی می‌کند

به گزارش بازار، دانشمندان کمبریج یک ابزار هوش 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.

محققان می‌گویند این رویکرد جدید می‌تواند نیاز به آزمایش‌های تشخیصی تهاجمی و پرهزینه را کاهش دهد و در عین حال نتایج درمان را زودتر بهبود بخشد. زیرا تشخیص زودهنگام و مداخلاتی مانند تغییر سبک زندگی یا داروهای جدید ممکن است موثر باشد.

زوال عقل یک چالش مهم مراقبت‌های بهداشتی جهانی است که بیش از ۵۵ میلیون نفر در سراسر جهان را تحت تاثیر قرار می‌دهد و هزینه تخمینی سالانه آن ۸۲۰ میلیارد دلار است. پیش‌بینی می‌شود تعداد مبتلایان طی ۵۰ سال آینده تقریباً سه برابر شود.

علت اصلی زوال عقل بیماری آلزایمر است که ۶۰ تا ۸۰ درصد موارد را تشکیل می‌دهد. تشخیص زودهنگام بسیار مهم است، زیرا این زمانی است که درمان‌ها احتمالاً 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 یک سوم بیماران به اشتباه و یا خیلی دیر تشخیص داده شوند و دیگر درمان موثر نباشد.

در همین راستا تیمی به رهبری دانشمندان دپارتمان روانشناسی دانشگاه کمبریج یک مدل یادگیری ماشینی ایجاد کرده‌اند که می‌تواند پیش بینی کند که آیا فردی با مشکلات حافظه و تفکر خفیف به بیماری آلزایمر مبتلا می‌شود یا خیر.

محققان در این مطالعه نشان دادند که هوش مصنوعی دقیق‌تر از ابزارهای تشخیصی بالینی فعلی است.

برای ساخت این مدل محققان از داده‌های جمع‌آوری‌شده، غیرتهاجمی و کم‌هزینه بیماران، آزمایش‌های شناختی و اسکن‌های ام آر آی ساختاری که آتروفی ماده خاکستری را نشان می‌دهند، از بیش از ۴۰۰ نفر که بخشی از یک گروه تحقیقاتی در ایالات متحده بودند، استفاده کردند.

آنها سپس مدل را با استفاده از داده‌های واقعی بیمار از ۶۰۰ شرکت‌کننده دیگر و داده‌های ۹۰۰ 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 مبتلا شده 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 ام آرای به درستی شناسایی کند.

این الگوریتم در پیش‌بینی پیشرفت آلزایمر سه برابر دقیق‌تر از استاندارد مراقبت فعلی بود، یعنی 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 ۵۰ درصد از شرکت‌کنندگان)، کسانی که به آهستگی به سمت آلزایمر پیشرفت می‌کنند (حدود ۳۵ درصد) و کسانی که بیماری آنها با سرعت بیشتری پیشرفت می‌کنند (۱۵ درصد بقیه).

پروفسور زو کورتزی، نویسنده ارشد، از گروه روانشناسی دانشگاه کمبریج، گفت: «ما ابزاری ایجاد کرده‌ایم که علیرغم استفاده از داده‌های آزمایش‌های شناختی و اسکن‌های ام آر آی، بسیار حساس‌تر از رویکردهای فعلی برای پیش‌بینی پیشرفت است و اگر چنین است، این پیشرفت سریع خواهد بود یا کند.

او افزود: هوش مصنوعی این ظرفیت را دارد که به طور قابل توجهی رفاه بیمار را بهبود بخشد و به ما نشان دهد که کدام افراد به مراقبت نزدیک نیاز دارند. این امر همچنین به رفع نیاز به آزمایش‌های تشخیصی غیرضروری و پرهزینه کمک می‌کند.»

پروفسور کورتزی گفت: «مدل‌های هوش مصنوعی به اندازه داده‌هایی هستند که روی آنها آموزش دیده‌اند. برای اطمینان از اینکه پتانسیل پذیرش در یک محیط مراقبت بهداشتی را دارد، ما آن را بر روی داده‌های جمع‌آوری شده معمول نه تنها از گروه‌های تحقیقاتی، بلکه از بیماران در کلینیک‌های حافظه واقعی آموزش دادیم و آزمایش کردیم. این نشان می‌دهد که تشخیص هوش مصنوعی قابل تعمیم به یک محیط واقعی خواهد بود.»

این تیم 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 داده ها، مانند نشانگرهای آزمایش خون، گسترش دهد.

پروفسور کورتزی افزود: «اگر می‌خواهیم با چالش رو به رشد سلامتی که زوال عقل ایجاد می‌شود مقابله کنیم، به ابزارهای بهتری برای شناسایی و مداخله در اولین مرحله ممکن نیاز خواهیم داشت.

چشم انداز ما این است که ابزار هوش مصنوعی خود را افزایش دهیم تا به پزشکان کمک کنیم تا فرد مناسب را در زمان مناسب به مسیر تشخیصی و درمانی مناسب اختصاص دهند. ابزار ما می‌تواند به تطبیق بیماران مناسب با آزمایش‌های بالینی کمک کند و کشف داروی جدید را برای درمان‌های اصلاح‌کننده بیماری تسریع کند.»