روشی سریع برای غربالگری آلزایمر!

به گزارش مجله خبری نگار/سیناپرس، این رویکرد می‌تواند تغییرات ظریف زبانی را سال‌ها قبل از آنکه علائم آشکار شوند، شناسایی و راه را برای غربالگری سریع، غیرتهاجمی و در دسترس هموار کند.

میلیون‌ها نفر در سراسر جهان با بیماری آلزایمر زندگی می‌کنند و این رقم با پیرشدن جمعیت رو به افزایش است. تشخیص زودهنگام این بیماری می‌تواند تأثیری چشمگیر در مدیریت علائم و سرعت دریافت حمایت بیماران داشته باشد.

هوی یانگ (Hui Yang)، استاد دانشگاه ایالتی پنسیلوانیا، و کِوین مِکولو (Kevin Mekulu)، پژوهشگر دکتری، در حال بررسی این موضوع هستند که چگونه هوش مصنوعی می‌تواند نشانه‌های هشداردهنده اولیه‌ای را که پزشکان ممکن است از دست بدهند، شناسایی کند.

مطالعات اخیر آنها در مجله‌های معتبر منتشر شده و بر تحلیل الگو‌های ظریف در گفتار روزمره تمرکز دارد. این روش با بررسی تغییرات در انتخاب کلمات، روانی گفتار و ساختار جملات، می‌تواند زوال توانایی‌های ذهنی را زودتر و با ثبات بیشتری نسبت به روش‌های قدیمی ارزیابی شناسایی کند.

پژوهشگران معتقدند این رویکرد می‌تواند غربالگری را از ویزیت‌های کوتاه کلینیکی فراتر ببرد و به سمت ابزار‌های سریع‌تر و در دسترس‌تری که در مراقبت‌های روزمره جای می‌گیرند، حرکت کند.

مزایای هوش مصنوعی نسبت به روش‌های سنتی

یانگ می‌گوید؛ روش‌های قدیمی غربالگری روی کاغذ انجام می‌شوند، به قضاوت ذهنی وابسته‌اند و زمان زیادی می‌برند. اجرای آنها ۱۰ تا ۱۵ دقیقه وقت می‌گیرد، به تغییرات ظریف حساسیت ندارند و هر ارزیابی نتیجه متفاوتی دارد.

با توجه به کمبود متخصصان سالمندی، نیاز فوری به یک راه‌حل هوش مصنوعی وجود دارد. روش او از نشانگر‌های گفتاری استفاده می‌کند تا تغییرات زبانی ظریف را سال‌ها قبل از ابزار‌های سنتی شناسایی کند و غربالگری را در کمتر از یک دقیقه انجام دهد.

تفاوت با مدل‌های معمولی هوش مصنوعی

به گفته مکولو، بیشتر مدل‌های هوش مصنوعی که امروزه در مراقبت‌های بهداشتی استفاده می‌شوند ثابت هستند؛ یعنی صرفاً بر اساس ورودی، خروجی تولید می‌کنند. اما روشی که او و همکارانش طراحی کرده‌اند عامل‌محور است.

این سامانه می‌تواند به طور مستقل عمل کند، با بیمار تعامل پویا داشته باشد و بر اساس پاسخ‌های او، سؤالات بعدی را تنظیم کند. در این روش، هوش مصنوعی فقط یک آزمون را نمره‌دهی نمی‌کند، بلکه فرآیند غربالگری را هدایت می‌کند و چندین نشانه (مانند الگو‌های زبانی، عملکرد در وظایف و عوامل زمینه‌ای) را در یک ارزیابی منسجم ادغام می‌نماید.

این رویکرد، غربالگری را از یک آزمون یک‌باره به یک فرآیند پویا تبدیل می‌کند که چگونگی پیشرفت بیماری را بهتر نشان می‌دهد.

چرا الگو‌های گفتاری؟

یانگ توضیح می‌دهد که گفتار یکی از غنی‌ترین رفتار‌های انسانی از نظر اطلاعات است. برای صحبت کردن، حافظه، توجه، زبان و هماهنگی حرکتی با هم کار می‌کنند؛ جالب اینجاست که همین سامانه‌ها در مراحل اولیه آلزایمر آسیب می‌بینند.

هوش مصنوعی طراحی‌شده توسط این پژوهشگران، به جای تکیه بر برداشت‌های ذهنی پزشک، الگو‌های پنهان در گفتار (مانند انتخاب کلمات، تکرار، روانی گفتار و ساختار جملات) را تحلیل می‌کند؛ این روش می‌تواند تغییرات شناختی را سال‌ها قبل از آشکارشدن علائم نشان دهد.

این رویکرد به پزشکان امکان می‌دهد نشانگر‌های عینی و قابل اندازه‌گیری از رفتار طبیعی بیمار استخراج کنند و بسیاری از تفسیر‌های ذهنی مرتبط با آزمون‌های سنتی را حذف نمایند.

سایر کاربرد‌های هوش مصنوعی

به گفته مکولو، گفتار نقطه شروع قدرتمندی است، اما تنها یک تکه از پازل است. هوش مصنوعی می‌تواند الگو‌های حرکت چشم، نشانه‌های فیزیولوژیک، میزان مشارکت در وظایف، رفتار حرکتی و حتی نحوه یادگیری فرد در هنگام حل مسئله را نیز تحلیل کند.

تفسیر همه این نشانه‌ها با هم، دیدگاه جامع‌تری از سلامت شناختی به پزشکان ارائه می‌دهد. هدف این سامانه‌ها جایگزینی پزشکان نیست، بلکه کاهش کار‌های اداری، برجسته‌سازی الگو‌های معنادار و کمک به تبدیل مراقبت‌های شناختی از حالت واکنشی به پیشگیرانه است.

یانگ می‌گوید گروه پژوهشی او به طور فعال در حال ارزیابی این روش‌ها در جمعیت‌ها و زمینه‌های بالینی مختلف است تا از استحکام و بی‌طرفی آنها اطمینان حاصل کند. وی همچنین از همکاری با متخصصان دیگر برای ادغام این ابزار‌ها در ادغام این ابزار‌ها در مراکز نگهداری سالمندان و مراقبت از حافظه خبر می‌دهد. این مراکز معمولاً اولین مکان‌هایی هستند که تغییرات ظریف توانایی‌های ذهنی در افراد دیده می‌شود. با این حال، ابزار‌های دقیق غربالگری به‌ندرت در آنها استفاده می‌شوند. هدف نهایی این پژوهش، پرکردن شکاف بین تحقیقات دانشگاهی و تصمیم‌گیری بالینی روزمره با اعتبارسنجی این روش‌ها در محیط‌های مراقبت واقعی است.