Jauns pētījums: neinvazīvie testi paredz Alcheimera un demences risku

Jauni pētījumi liecina, ka tehnoloģiju attīstība tagad ļauj programmatūrai paredzēt personas risku saslimt ar Alcheimera slimību un ar to saistītajām demencēm no informācijas, kas iegūta ikdienas ārstu apmeklējumu laikā.

Atklājums ir svarīgs, jo tā ir lēta, neuzbāzīga metode hroniskas slimības noteikšanai, kas bieži traucē gan indivīda, gan viņa ģimenes dzīvi.

Zinātnieki no Regenstrief institūta, Indianas Universitātes un Merck izstrādāja un pārbaudīja algoritmus, izmantojot datus no elektroniskās medicīniskās dokumentācijas. Jaunā attīstība ir svarīga, jo vismaz 50% vecāku primārās aprūpes pacientu, kas dzīvo ar Alcheimera slimību un ar to saistītajām demencēm, nekad nesaņem diagnozi.

Un daudzi citi dzīvo ar simptomiem divus līdz piecus gadus, pirms tiek diagnosticēti. Pašlaik demences riska pārbaudes ir invazīvas, laikietilpīgas un dārgas.

"Lieliski šajā metodē ir tā, ka tā ir pasīva, un tā nodrošina līdzīgu precizitāti pašreiz izmantotajiem uzmācīgākajiem testiem," sacīja vadošais pētnieks Malazs Boustani, MD, MPH, pētnieks Regenstrief institūtā un Indianas universitātes profesors. Medicīnas skola.

"Tas ir lēts, pielāgojams risinājums, kas var sniegt ievērojamu labumu pacientiem un viņu ģimenēm, palīdzot viņiem sagatavoties dzīves iespējai ar demenci un ļaujot viņiem rīkoties."

Pētnieku grupa, kurā piedalījās arī zinātnieki no Džordžijas štata, Alberta Einšteina Medicīnas koledžas un Solid Research Group, nesen publicēja savus secinājumus par divām dažādām mašīnmācīšanās pieejām.

Viens raksts, kas publicēts Amerikas Geriatrijas biedrības žurnāls, analizēja dabiskās valodas apstrādes algoritma rezultātus. Šajā tehnikā mašīnmācīšanās pieejas tiek noteiktas, analizējot piemērus.

Saistīta pieeja, kas apspriesta Mākslīgais intelekts medicīnā rakstu, dalījās ar modeļa rezultātiem, kurā izmantots lēmumu koku kopums. Abas metodes parādīja līdzīgu precizitāti, prognozējot demences rašanos viena un trīs gadu laikā pēc diagnozes.

Lai apmācītu algoritmus, pētnieki apkopoja datus par pacientiem no Indiānas pacientu aprūpes tīkla. Lai prognozētu demences rašanos, modeļos tika izmantota informācija par receptēm un diagnozēm, kas ir strukturēti lauki, kā arī medicīniskās piezīmes, kas ir brīvs teksts.

Pētnieki atklāja, ka brīvā teksta piezīmes bija visvērtīgākās, lai palīdzētu identificēt cilvēkus, kuriem ir risks saslimt ar šo slimību.

"Šis pētījums ir aizraujošs, jo tas potenciāli sniedz ievērojamu labumu pacientiem un viņu ģimenēm," teica Patriks Monahans, PhD, pētījuma autors no IU Medicīnas skolas un Regenstrief filiāles zinātnieks.

"Ārsti var sniegt izglītību par uzvedību un paradumiem, lai palīdzētu pacientiem tikt galā ar simptomiem un dzīvot labāku dzīves kvalitāti."

Zina Ben Miled, PhD, MS, Purdue inženierzinātņu un tehnoloģiju skolas pētījuma autore skaidro: “Agrīna riska noteikšana dod iespēju ārstiem un ģimenēm izveidot aprūpes plānu. Pēc pieredzes es zinu, kāds slogs var būt, lai tiktu galā ar demences diagnozi. Šī testa sniegtais logs ir tik svarīgs, lai palīdzētu uzlabot dzīves kvalitāti gan pacientiem, gan viņu ģimenēm. ”

Papildus ieguvumam ģimenēm šīs metodes var arī ievērojami ietaupīt pacientus un veselības sistēmas. Tie aizstāj vajadzību pēc dārgiem testiem un ļauj ārstiem pārbaudīt visas populācijas, lai identificētu riskam visvairāk pakļautās personas. Simptomu parādīšanās aizkavēšana arī ietaupa ievērojamu naudas summu ārstēšanai.

Nākamais solis ir šo mašīnmācīšanās algoritmu ieviešana reālās dzīves klīnikās, lai pārbaudītu, vai tie palīdz noteikt patiesākus demences gadījumus, kā arī uzzinātu, kā tie ietekmē pacienta vēlmi sekot līdzi rezultātiem.

Avots: Regenstrief institūts