پژوهشگران" دانشگاه بوستون"، یک مدل محاسباتی جدید ابداع کرده اند که می تواند با بررسی صدای ضبط شده افراد، امکان ابتلای آنها به آلزایمر را پیش بینی کند.
به گزارش ایسنا به نقل از نیوز مدیکال نت، تشخیص بیماری آلزایمر، به زمان و هزینه زیادی نیاز دارد. پزشکان پس از انجام دادن معاینات عصبی و روانشناختی شخصی سازی شده طولانی باید هر پاسخ را همراه با جزئیات بررسی کنند. پژوهشگران "دانشگاه بوستون" (Boston University)، مدل محاسباتی جدیدی را ابداع کرده اند که میتواند این فرآیند را خودکار کند و در نهایت به آن امکان دهد تا به صورت آنلاین کار کند. این مدل محاسباتی مبتنی بر یادگیری ماشینی می تواند اختلالات شناختی را از صداهای ضبط شده در آزمایش های عصبی و روان شناختی تشخیص دهد؛ بدون اینکه نیازی به ملاقات حضوری باشد.
"ایوانیس پاشالیدیس" (Ioannis Paschalidis)، استاد مهندسی دانشگاه بوستون و از پژوهشگران این پروژه گفت: این روش، ما را یک قدم به مداخله زودهنگام نزدیکتر می کند. تشخیص سریعتر بیماری آلزایمر (Alzheimer's disease) میتواند به آزمایش های بالینی بزرگتری بیانجامد که روی افراد در مراحل اولیه بیماری آنها تمرکز دارند و مداخلات بالینی را ممکن می سازند تا زوال شناختی را کاهش دهند. این مدل محاسباتی می تواند اساس یک برنامه آنلاین باشد که همه به آن دسترسی دارند و می توان آن را گسترش داد تا تعداد افرادی که به موقع غربالگری میشوند، افزایش یابد.
این گروه پژوهشی، مدل خود را با استفاده از صداهای ضبط شده طی مصاحبه های عصبی و روان شناختی آموزش دادند که از بیش از ۱۰۰۰ نفر و در یک پروژه بلندمدت به سرپرستی دانشگاه بوستون به دست آمده بود. آنها با استفاده از برنامه های خودکار تشخیص و یک روش یادگیری ماشینی به نام "پردازش زبان طبیعی" که به رایانه ها کمک می کند تا متن را بفهمند، از برنامه خود خواستند تا مصاحبه ها را رونویسی کند و سپس آنها را به صورت اعدادی رمزگذاری کند. مدل نهایی برای ارزیابی احتمال و شدت اختلال شناختی یک شخص، با استفاده از داده های جمعیت شناختی، رمزگذاری متن و تشخیص های واقعی آموزش داده شد که توسط متخصصان اعصاب و روانشناسان به دست آمده بودند.
پاشالیدیس ادامه داد :این مدل نه تنها قادر بود بین افراد سالم و افراد مبتلا به زوال عقل به طور دقیق تمایز قائل شود، بلکه تفاوت بین افراد دارای اختلال شناختی خفیف و زوال عقل را نیز تشخیص داد. نهایتا معلوم شد که کیفیت صدا و نحوه صحبت کردن اشخاص، اعم از این که صحبت های آن ها تند یا متزلزل باشد، اهمیت کمتری نسبت به محتوای آنچه می گویند دارد.
او ادامه داد: این موضوع ما را شگفت زده کرد که جریان گفتار یا سایر ویژگی های صوتی، آن قدرها مهم نیستند. شما میتوانید مصاحبه ها را به طور خودکار و به خوبی رونویسی کنید و برای ارزیابی اختلالات شناختی، به تجزیه و تحلیل متن از طریق هوش مصنوعی تکیه داشته باشید.
غربالگری پیش از آغاز نشانه ها
همچنین این مدل، بینشی را در مورد این موضوع ارائه می دهد که چه بخش هایی از معاینه عصب- روان شناختی ممکن است در تعیین این که آیا یک فرد دچار اختلال در شناخت است، مهمتر از سایرین باشند. این مدل محاسباتی، رونوشت های مبتنی بر آزمایش های بالینی را به بخش های مختلفی تقسیم می کند. به طورمثال، پژوهشگران دریافتند که "آزمایش نامگذاری بوستون" (Boston Naming Test) که طی آن پزشکان از افراد می خواهند تا با استفاده از یک کلمه برچسب گذاری کنند، برای تشخیص دقیق زوال عقل، بسیار آموزنده است. پاشالیدیس گفت:این مدل ممکن است پزشکان را قادر سازد تا منابع را بگونه ای تخصیص دهند که امکان غربالگری بیشتری را حتی پیش از شروع علائم، برای آن ها فراهم کند.
تشخیص زودهنگام زوال عقل نه تنها برای بیماران و مراقبان آنها مهم است تا بتوانند برنامه ای مؤثر برای درمان و حمایت ایجاد کنند، بلکه برای پژوهشگرانی که روی درمان هایی برای کند کردن و جلوگیری از پیشروی بیماری آلزایمر کار می کنند نیز بسیار مهم است.
پاشالیدیس اضافه کرد:مدل های ما میتوانند به پزشکان کمک کنند تا بیماران را از نظر شانس ابتلا به زوال شناختی ارزیابی کنند و سپس با انجام دادن آزمایش های بیشتر روی افرادی که احتمال زوال عقل در آنها بالاتر است، بهترین منابع درمانی را برای آن ها بکار بگیرند.
این گروه پژوهشی به دنبال داوطلبانی هستند که در یک نظرسنجی آنلاین شرکت کنند و یک آزمایش شناختی را پشت سر بگذارند. نتایج این پژوهش، برای ارائه ارزیابی های شناختی شخصی سازی شده استفاده می شوند و به پژوهشگران کمک می کنند تا مدل هوش مصنوعی (Artificial Intelligence) خود را اصلاح کنند.
این پژوهش، در مجله "Alzheimer' s& Dementia" به چاپ رسید.
- 16
- 6
