– بر اساس مطالعه ای که این هفته در این هفته منتشر شد، محققان در دانشکده پزشکی Icahn در کوه سینا، مدل های یادگیری ماشینی (ML) را برای شناسایی عوامل پیش بینی کننده مرگ و میر در بیماران زوال عقل ایجاد کرده اند. پزشکی ارتباطات.
تیم تحقیقاتی تاکید کرد که پیشرفت بیماری و مسیرهای پیامد متفاوت مرتبط با زوال عقل، مراقبت از بیماران مبتلا را به یک چالش، بهویژه نزدیک به پایان عمر، تبدیل میکند. زوال عقل عامل اصلی مرگ و میر در ایالات متحده است که در سال 2017 به ازای هر 100000 نفر 66.7 مرگ و میر تخمین زده می شود. مراکز کنترل و پیشگیری از بیماری، بیماری آلزایمر را هفتمین علت مرگ در ایالات متحده می دانند.
با افزایش امید به زندگی، انتظار می رود بار مراقبت های بهداشتی زوال عقل نیز افزایش یابد. توانایی پیشبینی پیشآگهی زوال عقل میتواند به رفع این چالشها و بهبود نتایج بیمار کمک کند.
محققان خاطرنشان کردند که مرگ و میر بیماران مبتلا به زوال عقل تحت تأثیر عوامل متعددی قرار می گیرد و شناسایی مهم ترین عوامل کمک کننده می تواند از طبقه بندی خطر حمایت کند.
برای شناسایی عوامل کلیدی پیش بینی مرگ و میر، تیم تحقیقاتی به ML روی آوردند. این مدلها با استفاده از دادههای 45275 بیمار و 163782 سوابق بازدید از مرکز ملی هماهنگی آلزایمر ایالات متحده (NACC) توسعه یافتهاند. این داده ها برای پیش بینی مرگ و میر در یک، سه، پنج و 10 سال در هشت نوع زوال عقل با استفاده از ویژگی های بالینی و عصبی-شناختی استفاده شد.
تجزیه و تحلیل نشان داد که پیشبینیکنندههای مرتبط با زوال عقل، مانند نتایج آزمایشهای عصبی روانشناختی، برخی از قویترین پیشبینیکنندههای مرگومیر بودند، در حالی که سایر ویژگیهای مرتبط با سن، مانند شرایط قلبی عروقی و سکته، کمتر برجسته بودند.
این یافتهها همچنین پیشبینیکنندههای مشترک و متمایز مرگومیر را در انواع زوال عقل برجسته کردند. به طور کلی، همه مدلها به سطح زیر منحنی مشخصه عملکرد گیرنده (AUC-ROC) بیش از 0.82 در آستانه بقای یک، سه، پنج و 10 ساله دست یافتند.
Kuan-lin Huang، نویسنده مسئول، دکترا، استادیار ژنتیک و علوم ژنومی در Icahn Mount Sinai، گفت: «یافتههای ما قابل توجه هستند زیرا پتانسیل مدلهای یادگیری ماشینی را برای پیشبینی دقیق خطر مرگ و میر در بیماران زوال عقل در بازههای زمانی مختلف نشان میدهند. بیانیه مطبوعاتی مدلهای ما با مشخص کردن مجموعهای مختصر از ویژگیهای بالینی، از جمله عملکرد در آزمایشهای عصبی روانشناختی و سایر آزمایشهای موجود، به ارائهدهندگان مراقبتهای بهداشتی قدرت میدهند تا تصمیمات آگاهانهتری در مورد مراقبت از بیمار بگیرند، که به طور بالقوه منجر به مداخلات متناسبتر و به موقعتر میشود.»
هوانگ ادامه داد: «پیامدهای تحقیق ما فراتر از عملکرد بالینی است، زیرا بر ارزش یادگیری ماشینی در کشف پیچیدگیهای بیماریهایی مانند زوال عقل تأکید میکند. در حالی که یادگیری ماشین نویدبخش بهبود مراقبت از زوال عقل است، مهم است که به یاد داشته باشید که این مدلها توپهای کریستالی برای نتایج فردی نیستند. عوامل بسیاری، چه شخصی و چه پزشکی، سفر بیمار را شکل میدهند.”
در حرکت رو به جلو، تیم تحقیقاتی قصد دارد مدلهای پیشبینی خود را با کاوش در پتانسیل تکنیکهای یادگیری عمیق و ترکیب دادههای اضافی، مانند اطلاعات ژنتیکی و اثرات درمانی، اصلاح کند.
اخیراً، تجزیه و تحلیل پیشبینیکننده به روشن کردن محرکهای شروع و پیشرفت زوال عقل کمک کرده است.
هفته گذشته، محققان دانشگاه ویرجینیای غربی (WVU) توضیح دادند که چگونه یک مدل یادگیری عمیق میتواند از نشانگرهای زیستی متابولیک برای پیشبینی پیشرفت بیماری آلزایمر قبل از شروع علائم بالینی استفاده کند.
این تیم از الگوریتم عملگر حداقل انقباض و انتخاب (LASSO) برای شناسایی نشانگرهای زیستی بالقوه از طریق دادههای طیفسنجی جرمی کروماتوگرافی مایع با عملکرد فوقالعاده (UPLC-MS/MS) استفاده کرد.
مجموعه ای از 21 نشانگر زیستی به عنوان مرتبط ترین انتخاب شد و در مدل های ML گنجانده شد. این مدلها به عملکرد بالایی دست یافتند که بر پتانسیل هوش مصنوعی (AI) برای بهبود تشخیص آلزایمر تأکید میکرد.