یک مدل هوش مصنوعی از دانشگاه کمبریج می‌تواند با استفاده از آزمایش‌های شناختی ساده و اسکن MRI، پیشرفت آلزایمر را با دقت ۸۲ درصد پیش‌بینی کند و جایگزینی غیرتهاجمی و ارزان‌تر برای تشخیص‌های سنتی ارائه دهد.

دانشمندان کمبریج ابزاری مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند در چهار مورد از پنج مورد پیش‌بینی کند که افراد مبتلا به علائم اولیه زوال عقل ثابت 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 در مراحل اولیه بهبود بخشد، زمانی که مداخلاتی مانند تغییر سبک زندگی یا داروهای جدید ممکن است بهترین شانس برای کارکرد داشته باشند.

چالش جهانی زوال عقل

زوال عقل یک چالش بزرگ مراقبت‌های بهداشتی جهانی است که بیش از ۵۵ میلیون نفر را در سراسر جهان تحت تاثیر قرار می‌دهد و هزینه تخمینی سالانه آن ۸۲۰ میلیارد دلار است. انتظار می‌رود تعداد موارد در 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 در این مرحله است که درمان‌ها احتمالاً موثرتر خواهند بود، با این حال تشخیص و پیش‌آگهی زوال عقل اولیه بدون استفاده از آزمایش‌های تهاجمی یا گران‌قیمت مانند اسکن توموگرافی نشر پوزیترون (PET) یا پونکسیون کمری ممکن است دقیق نباشد که در همه کلینیک‌های حافظه در دسترس نیستند. در نتیجه، تا یک سوم بیماران ممکن است به اشتباه تشخیص داده شوند و برخی دیگر خیلی دیر برای موثر بودن درمان تشخیص داده شوند.

پیشرفت تشخیص آلزایمر با هوش مصنوعی

تیمی به رهبری دانشمندان گروه روانشناسی دانشگاه کمبریج مدل یادگیری ماشینی را توسعه داده‌اند که قادر به پیش‌بینی اینکه فرد مبتلا به مشکلات خفیف حافظه و تفکر به آلزایمر مبتلا می‌شود یا خیر و سرعت پیشرفت آن چقدر است. در تحقیقی که امروز (۱۲ ژوئیه) در مجله eClinical Medicine منتشر شد، آنها نشان می‌دهند که این مدل از ابزارهای تشخیصی بالینی فعلی دقیق‌تر است.

برای ساخت مدل خود، محققان از داده‌های بیمارستانی غیرتهاجمی و کم‌هزینه که به طور معمول جمع‌آوری می‌شوند – آزمایش‌های شناختی و اسکن MRI ساختاری نشان‌دهنده آتروفی ماده خاکستری – از بیش از ۴۰۰ فرد که بخشی از یک گروه تحقیقاتی در ایالات متحده بودند، استفاده کردند.

سپس آنها مدل را با استفاده از داده‌های بیمار واقعی از ۶۰۰ شرکت‌کننده دیگر از گروه آمریکایی و مهم‌تر از آن، داده‌های طولی از ۹۰۰ نفر از کلینیک‌های حافظه در بریتانیا و سنگاپور آزمایش کردند.

پیاده‌سازی و تاثیر مدل هوش مصنوعی

این الگوریتم توانست بین افراد مبتلا به اختلال شناختی خفیف پایدار و افرادی که در عرض سه سال به بیماری آلزایمر مبتلا شدند، تمایز قائل شود. این الگوریتم توانست افراد مبتلا به آلزایمر را در ۸۲ درصد موارد و افرادی که مبتلا نشده‌اند را در ۸۱ درصد موارد تنها با آزمایش‌های شناختی و اسکن MRI به درستی شناسایی کند.

این الگوریتم در پیش‌بینی پیشرفت آلزایمر حدود سه برابر دقیق‌تر از استاندارد مراقبت فعلی بود. یعنی نشانگرهای بالینی استاندارد (مانند آتروفی ماده خاکستری یا نمره‌های شناختی) یا تشخیص بالینی. این نشان می‌دهد که این مدل می‌تواند به طور قابل توجهی خطای تشخیص را کاهش دهد.

مدل هوش مصنوعی قادر به طبقه‌بندی افراد مبتلا به آلزایمر است

مدل هوش مصنوعی همچنین به محققان اجازه داد تا با استفاده از داده‌های اولین مراجعه هر فرد به کلینیک حافظه، افراد مبتلا به آلزایمر را به سه گروه طبقه‌بندی کنند: افرادی که علائم آنها ثابت می‌ماند (حدود ۵۰ درصد از شرکت‌کنندگان)، افرادی که به آرامی به آلزایمر مبتلا می‌شوند (حدود ۳۵ درصد) و افرادی که سریع‌تر پیشرفت می‌کنند (۱۵ درصد باقی‌مانده).

این پیش‌بینی‌ها با بررسی داده‌های پیگیری در طول ۶ سال تأیید شد. این امر مهم است زیرا می‌تواند به شناسایی افرادی که در مرحله اولیه هستند و ممکن است از درمان‌های جدید بهره‌مند شوند کمک کند، در حالی که افرادی را که نیاز به نظارت دقیق دارند زیرا وضعیت آنها احتمالاً به سرعت وخیم می‌شود، شناسایی می‌کند.

مهمتر از آن، آن ۵۰ درصد از افرادی که علائمی مانند از دست دادن حافظه دارند اما ثابت می‌مانند، بهتر است به مسیر بالینی متفاوتی هدایت شوند زیرا علائم آنها ممکن است به جای زوال عقل ناشی از علل دیگری مانند اضطراب یا افسردگی باشد.

کاربردهای بالقوه و آینده

پروفسور زو کورتزی، نویسنده ارشد از گروه روانشناسی دانشگاه کمبریج گفت: «ما ابزاری ایجاد کرده‌ایم که با وجود استفاده تنها از داده‌های آزمایش‌های شناختی و اسکن MRI، بسیار حساس‌تر از رویکردهای فعلی در پیش‌بینی اینکه آیا فردی از علائم خفیف به آلزایمر پیشرفت می‌کند یا خیر است. – و اگر چنین است، آیا این پیشرفت سریع یا کند خواهد بود.

این ابزار پتانسیل بهبود قابل توجهی در رفاه بیمار را دارد و به ما نشان می‌دهد که کدام افراد به مراقبت نزدیک‌تر نیاز دارند، در حالی که اضطراب را برای بیمارانی که پیش‌بینی می‌کنیم ثابت می‌مانند، برطرف می‌کند. در زمانی که فشار زیادی بر منابع مراقبت‌های بهداشتی وجود دارد، این امر همچنین به حذف نیاز به آزمایش‌های تشخیصی تهاجمی و پرهزینه غیر ضروری کمک می‌کند.»

در حالی که محققان الگوریتم را روی داده‌های یک گروه تحقیقاتی آزمایش کردند، اما با استفاده از داده‌های مستقل شامل تقریباً ۹۰۰ فرد که به کلینیک‌های حافظه در بریتانیا و سنگاپور مراجعه کردند، تأیید شد. در بریتانیا، بیماران از طریق مطالعه MRI کمی در کلینیک‌های حافظه NHS (QMIN-MC) به رهبری دکتر تیموتی ریتمن، نویسنده مشترک مطالعه در بیمارستان‌های NHS دانشگاه کمبریج و بنیاد اعتماد NHS کمبریج و پیتربورو (CPFT) جذب شدند.

محققان می‌گویند این نشان می‌دهد که باید در یک محیط بالینی روی بیمار واقعی قابل اجرا باشد.

دکتر بن اندروود، مشاور افتخاری روانپزشک در CPFT و استادیار گروه روانپزشکی دانشگاه کمبریج، گفت: «مشکلات حافظه با افزایش سن شایع است. در کلینیک، من می‌بینم که عدم اطمینان در مورد اینکه آیا اینها ممکن است اولین نشانه‌های زوال عقل باشد، می‌تواند باعث نگرانی زیادی برای افراد و خانواده‌های آنها شود و همچنین برای پزشکانی که ترجیح می‌دهند پاسخ قطعی دهند، ناامیدکننده باشد. این واقعیت که ما ممکن است بتوانیم این عدم اطمینان را با اطلاعاتی که در حال حاضر داریم کاهش دهیم، هیجان‌انگیز است و با ظهور درمان‌های جدید اهمیت بیشتری پیدا خواهد کرد.»

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

این تیم اکنون امیدوار است مدل خود را به اشکال دیگر زوال عقل مانند زوال عقل عروقی و زوال عقل پیشانی-گیجگاهی و استفاده از انواع مختلف داده‌ها مانند نشانگرهای آزمایش خون گسترش دهد.

پروفسور کورتزی افزود:«اگر می‌خواهیم با چالش رو به رشد سلامت ناشی از زوال عقل مقابله کنیم، به ابزارهای بهتر برای شناسایی و مداخله در اولین مرحله ممکن نیاز داریم. چشم‌انداز ما مقیاس‌بندی ابزار هوش مصنوعی ما برای کمک به بالینی‌ها در اختصاص دادن فرد مناسب در زمان مناسب به مسیر تشخیصی و درمانی مناسب است. ابزار ما می‌تواند به تطبیق بیماران مناسب با آزمایش‌های بالینی کمک کند و کشف داروهای جدید برای درمان‌های اصلاح‌کننده بیماری را تسریع کند.»