دانشمندان دانشگاه کمبریج یک مدل هوش مصنوعی توسعه داده‌اند که با دقت ۸۲ درصدی، پیشرفت بیماری آلزایمر را در افرادی با نشانه‌های اولیۀ زوال عقل پیش‌بینی می‌کند.
به‌گزارش اخبار جدید به نقل از تک‌ناک، این مدل با استفاده از آزمون‌های شناختی ساده و اسکن‌های MRI، یک جایگزین غیرتهاجمی و ارزان‌تر نسبت به روش‌های تشخیصی سنتی ارائه می‌دهد. این پیشرفت می‌تواند به کاهش نیاز به آزمایش‌های تشخیصی گران‌قیمت و تهاجمی کمک کند و نتایج درمانی را در مراحل اولیه بهبود بخشد، زمانی که دخالت‌هایی مانند تغییرات سبک زندگی، یا داروهای جدید ممکن است بیشترین تأثیر را داشته باشند.
یک مدل هوش مصنوعی توسعه‌یافته توسط محققان دانشگاه کمبریج، می‌تواند با استفاده از آزمون‌های شناختی ساده و اسکن‌های MRI، پیشرفت آلزایمر را با دقت 82 درصد پیش‌بینی کند، که یک جایگزین غیرتهاجمی و ارزان‌تر به جای روش‌های تشخیصی سنتی است.
محققان می‌گویند که این رویکرد جدید می‌تواند نیاز به تست‌های تشخیصی تهاجمی و پرهزینه را کاهش دهد، همچنین نتایج درمان را زودتر بهبود بخشد. تشخیص زودتر به معنای مداخلاتی مانند تغییر سبک زندگی یا داروهای جدید است، که امکان دارد شانس بهبود بیمار را افزایش دهند.
زوال عقل یک چالش مهم در سراسر جهان است که بیش از 55 میلیون نفر در جهان را تحت تأثیر قرار می‌دهد و هزینۀ تخمینی سالانۀ آن 820 میلیارد دلار است. پیش‌بینی می‌شود تعداد مبتلایان به آلزایمر طی 50 سال آینده حدود سه برابر شود.
علت اصلی زوال عقل، بیماری آلزایمر است که 60 تا 80 درصد موارد را تشکیل می‌دهد. تشخیص زودهنگام بسیار مهم است، چرا که برای درمان به احتمالی زیاد مؤثرتر هستند، امّا تشخیص زودهنگام زوال عقل و پیش‌آگاهی ممکن است بدون استفاده از آزمایش‌های تهاجمی یا گران‌قیمت مانند اسکن توموگرافی گسیل پوزیترون (PET) یا پونکسیون کمری، دقیق نباشد. در نتیجه، امکان دارد تا یک سوم بیماران به اشتباه و سایرین خیلی دیر تشخیص داده شوند و در آن زمان دیگر درمان مؤثر نباشد.
به‌تازگی تیمی به رهبری دانشمندان دپارتمان روانشناسی 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 می‌شود یا خیر. در تحقیقی که 12 جولای در مجلۀ eClinical Medicine منتشر شد، محققان نشان دادند که این مدل هوش مصنوعی دقیق‌تر از ابزارهای تشخیصی بالینی فعلی است.
محققان برای ساخت مدل خود، از داده‌های جمع‌آوری‌شده، غیرتهاجمی و کم‌هزینۀ بیماران که شامل آزمایش‌های شناختی و اسکن‌های MRI ساختاری که آتروفی مادۀ خاکستری را نشان می‌دهند، از حدود 400 نفر که بخشی از یک گروه تحقیقاتی در ایالات متحده بودند، استفاده کردند.
آنها سپس مدل را با استفاده از داده‌های واقعی بیماران از 600 شرکت‌کنندۀ دیگر از ایالات متحده و مهم‌تر از همه داده‌های 900 نفر دیگر 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 دورۀ سه ساله به بیماری آلزایمر مبتلا شده بودند، تمایز قائل شود. این دستگاه توانست به درستی افرادی را که در 82 درصد موارد به آلزایمر مبتلا شده‌اند و در 81 درصد موارد از طریق تست‌های شناختی و اسکن MRI به این بیماری تشخیص داده شده‌اند، شناسایی کند.
این الگوریتم در پیش‌بینی پیشرفت آلزایمر سه برابر دقیق‌تر از استاندارد درمانی فعلی بود. استاندار درمانی فعلی نشانگرهای بالینی استاندارد (مانند آتروفی مادۀ خاکستری یا نمرات شناختی) یا تشخیص بالینی است. این نشان می‌دهد که این مدل می‌تواند به طور قابل‌توجهی تشخیص اشتباه را کاهش دهد.
همچنین این مدل 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 افرادی که علائم آنها ثابت می‌ماند (حدود 50 درصد از شرکت‌کنندگان)، کسانی که پیشرفت آلزایمر آنها آهسته است (حدود 35 درصد) و افرادی که آلزایمر آنها با سرعت بیشتری پیشرفت می‌کند (15 درصد) طبقه‌بندی کنند.
این پیش‌بینی‌ها هنگام بررسی داده‌های بیش از 6 سال قبل تأیید شدند. این موضوع خیلی مهم است، چرا که می‌تواند به شناسایی آن افراد در مراحل اولیه به اندازۀ کافی کمک کند تا از درمان‌های جدید بهره‌مند شوند. همچنین می‌تواند کمکی برای افرادی باشد که نیاز به نظارت دقیق دارند، چون وضعیت آنها به سرعت رو به وخامت می‌رود.
نکتۀ مهم این است که 50 درصد از افرادی که علائمی مانند از دست دادن حافظه دارند امّا به آلزایمر مبتلا نمی‌شوند، بهتر است به مسیرهای بالینی متفاوتی هدایت شوند، چرا که علائم آنها به جای زوال عقل امکان دارد به دلایل دیگری مانند اضطراب یا افسردگی باشد.
پروفسور زو کورتزی، نویسندۀ ارشد این مطالعه گفت: «این ابزار می‌تواند به طور قابل‌توجهی رفاه بیمار را بهبود بخشد و به ما نشان می‌دهد که کدام افراد به درمان سریع نیاز دارند. در زمان فشار شدید بر کادر درمان، این موضوع به رفع نیاز به آزمایش‌های تشخیصی غیرضروری و پرهزینه نیز کمک می‌کند.»
محققان این الگوریتم را روی داده‌های یک گروه تحقیقاتی آزمایش کردند و نتایج آنها اعتبارسنجی شد.
دکتر بن آندروود، استادیار دپارتمان روان‌پزشکی دانشگاه کمبریج در این باره بیان کرد: «مشکلات حافظه با بالا رفتن سن رایج است. در کلینیک، من می‌بینم که چگونه عدم اطمینان در مورد اینکه آیا علائم بیماران ممکن است اولین علائم زوال عقل باشند، نگرانی‌های بسیاری برای افراد و خانواده‌های آنها به همراه دارد. همچنین برای پزشکانی که ترجیح می‌دهند پاسخ‌های قطعی بدهند، ناامید کننده است. این واقعیت که امکان دارد بتوانیم این عدم قطعیت را با اطلاعاتی که از قبل در اختیار داریم کاهش دهیم، هیجان‌انگیز است و به احتمال زیاد با ظهور درمان‌های جدید، اهمیت بیشتری پیدا می‌کند.»
پروفسور کورتزی نیز اعلام کرد: «مدل‌های هوش مصنوعی به اندازۀ داده‌هایی کارایی دارند که روی آنها آموزش دیده‌اند. در راستای اطمینان از اینکه هوش مصنوعی پتانسیل پذیرش در یک محیط درمانی را داشته باشد، ما آن را علاوه بر داده‌های جمع‌آوری شدۀ معمول گروه‌های تحقیقاتی، بلکه با بیماران در کلینیک‌های حافظۀ واقعی آموزش دادیم و آن را آزمایش کردیم.»
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.
پروفسور کورتزی تصریح کرد: «اگر می‌خواهیم با چالش رو به رشد زوال عقل مقابله کنیم، به ابزارهای بهتری برای شناسایی و مداخله در اولین مرحلۀ ممکن نیاز خواهیم داشت. چشم‌انداز ما این است که ابزار هوش مصنوعی خود را افزایش دهیم تا به پزشکان کمک کنیم که فرد مناسب را در زمان مناسب به مسیر تشخیصی و درمانی مناسب هدایت کنند. ابزار ما می‌تواند به تطبیق بیماران با آزمایش‌های بالینی کمک نماید و کشف داروی جدید را برای درمان‌های اصلاح‌کنندۀ بیماری تسریع بخشد.»