«ماشين يادگيري»، ابزاري براي پيشبيني پيشرفت دمانس تا 10 سال آينده

18
1790

نتایج یک مطالعه جدید پیشنهاد می‌کند نوعی مدل جدید پیش‌بینی کننده دمانس در اواخر عمر، که تحت عنوان Disease State Index یا DSI (شاخص وضعیت بیماری) شناخته می‌شود، ممکن است به شناسایی خطر این اختلال تا یک دهه بعد کمک کند.

DSI، یک ابزار ارزیابی خطر معتبر و نظارت شده است که با استفاده از روش‌های «ماشین یادگیری» به آنالیز مقادیر زیادی از اطلاعات سلامت می‌پردازد. محقق ارشد این مطالعه معتقد است: «ما بسیار خوشحالیم که می‌بینیم این ابزار در پیش‌بینی دمانس به خوبی عمل می‌کند. البته در این زمینه ابزار دیگری هم در دسترس هستند، اما آنچه با این روش جدید می‌بینیم، آن است که نسبت به دیگر ابزار مشابه، بهتر عمل می‌کند و نتایج دقیق‌تری دارد. ما به آن بسیار امیدوار هستیم.»

وی تاکید می‌کند که DSI نباید برای تشخیص دمانس استفاده شود، اما به تصمیم‌گیری‌ها و ارتقای استراتژی‌ها برای پیشگیری از بروز دمانس کمک می‌کند.

نتایج این مطالعه در نشریه Journal of Alzheimer’s Disease منتشر شده است.

 

هوش مصنوعی با داده‌های بزرگ

محققان در این مطالعه توضیح داده‌اند که «ماشین یادگیری»، در واقع پروسه استفاده از روش‌های مختلف برای آموزش کامپیوترهاست تا روند پیش‌بینی‌ها را ارتقا بخشند. این نوع از هوش مصنوعی با داده‌های بزرگ، «فقط آغازی است برای استفاده از آنها در زمینه پیشگیری از بروز دمانس.»

پژوهشگران معتقدند: «در مقایسه با روش‌های قبلی که برای ارتقای نمرات خطر بروز دمانس استفاده شده، مزیت و قدرت اصلی DSI توانایی آن برای کنارآمدن با مقادیر بزرگتر از داده‌های هتروژن، رسیدگی به داده‌های از دست رفته، و استفاده از داده‌های پردازش نشده است.» آنها می‌افزایند که DSI در جمعیت عمومی و بدون اختلال شناختی ارزیابی نشده است.

نکته جالب آن است که DSI با همکاری روش Disease State Fingerprint، با یک فرم بصری قابل تفسیر راحت و سریع، به ارایه یافته‌های جدید می‌پردازد.

این گروه از دانشمندان، پیش از این با ابزار پیش‌بینی کننده ساده‌تر هم کار کرده بودند، از جمله تست مداد ـ و ـ قلم. اما آنها ابزاری را می‌خواستند که بتواند با داده‌های پیچیده‌تر هم کار کند.

مطالعه اولیه Cardiovascular Risk Factors, Aging, and Dementia یا CAIDE، 1449 شرکت کننده 65 تا 79 سال را در شرق فنلاند بررسی کرده است. در پیگیری‌هایی که از این افراد به عمل می‌آمد، اقدامات تشخیصی گسترده‌ای در مورد آنها انجام می‌شد، از جمله MRI، تست‌های خونی و ارزیابی‌های نوروسایکولوژیک.

محققان این مطالعه جدید، 709 شرکت کننده را از مطالعه CAIDE انتخاب کردند که در ابتدای مطالعه وضعیت شناختی طبیعی داشتند و تا 10 سال آینده نیز تمامی ویزیت‌های پیگیری خود را انجام داده بودند.

نتایج معتبر

برای آنالیز کنونی، نخستین پیگیری اواخر عمر به عنوان «پایه» در نظر گرفته شد. در میان افرادی که در ابتدای ورود به مطالعه، مبتلا به دمانس نبوده یا اختلال شناختی خفیف داشتند 39 فرد در انتها، دمانس تصادفی داشتند.

DSI مرکب، که ترکیبی بود از فاکتورهای شناختی و عروقی، وضعیت حافظه فرد، و ژنوتایپ APOE، سطح زیر منحنی قابل توجهی (79/0) نشان داد.

محققان در این مطالعه همچنین سوابق جمعیت عمومی را برای 1009 فرد از مرکز ثبت Finnish Hospital Discharge، ثبت Drug Reimbursement، و ثبت Causes of Death بررسی کردند.

در میان این شرکت کنندگان، 151 فرد پس از یک دوره متوسط پیگیری 9 سال، مبتلا به دمانس شده بودند. سطح زیر منحنی DSI مرکب نیز برای این جمعیت عمومی قابل توجه و معنی‌دار بود.

محققان گزارش می‌کنند که نتایج در مقایسه با یک طبقه‌بندی استاندارد، معتبر هستند. آنها امیدوارند که جزئیات ویژگی‌های خطر فردی که بصری بوده و به راحتی تفسیر شوند، بتواند کمکی برای طراحی مداخلات موثر در آینده برای پیشگیری از دمانس باشد. آنها تاکید می‌کنند که DSI ابداع شد تا از تصمیم‌گیری‌های بالینی حمایت کند و به دنبال آن هستند تا از مزایای بالینی آن استفاده کنند.

البته لازم است تا این ابزار در جمعیت غیرفنلاندی هم ارزیابی شود و اینکه در دیگر گروه‌های سنی هم کار می‌کند یا خیر یا اینکه می‌تواند سطح خطر را در طول زمان مانیتور کند.

محققان در این مطالعه توضیح داده‌اند که «ماشین یادگیری»، در واقع پروسه استفاده از روش‌های مختلف برای آموزش کامپیوترهاست تا روند پیش‌بینی‌ها را ارتقا بخشند.

نظرات بسته است