توکیو، 29 دسامبر 2023 – (JCN Newswire) – دانشگاه اویتا و شرکت Eisai، آموزشی ویبولیتین (Eisai) بدین وسیله توسعه اولین مدل یادگیری ماشینی در جهان را برای پیش‌بینی تجمع آمیلوئید بتا (1) (Aβ) در مغز با استفاده از حسگر مچ‌بند اعلام می‌کنند. انتظار می‌رود این مدل غربالگری برای تجمع Aβ مغز را که یک عامل پاتولوژیک مهم بیماری آلزایمر (2) (AD) است، به سادگی با جمع‌آوری داده‌های بیولوژیکی و شیوه زندگی از زندگی روزمره امکان‌پذیر کند.
جزئیات این مدل در نسخه آنلاین مجله پزشکی معتبر Alzheimer's Research & Therapy در 12 دسامبر 2023 منتشر شد.
در پس از میلاد، که گفته می شود بیش از 60 درصد از علل زوال عقل را تشکیل می دهد، Aβ حدود 20 سال قبل از شروع بیماری شروع به تجمع در مغز می کند. این امر باعث توسعه داروهای درمانی جدید با هدف قرار دادن Aβ شده است که منجر به تایید یک آنتی بادی مونوکلونال Aβ تجمعی ضد محلول انسانی در ژاپن شده است. کلید به حداکثر رساندن اثرات درمانی دارو، شناسایی تجمع Aβ در مغز بیماران مبتلا به اختلال شناختی خفیف قبل از شروع علائم است. در حال حاضر، اگرچه تجمع Aβ مغز را می توان با توموگرافی انتشار پوزیترون (3) (آمیلوئید PET) و آزمایش مایع مغزی نخاعی * 4 (تست CSF) تشخیص داد، تعداد موسسات پزشکی قادر به انجام این آزمایشات محدود است و هزینه و تهاجمی بالا است. از جمله این آزمون ها مسائلی در نظر گرفته می شود. بنابراین، توسعه یک روش غربالگری ارزان و آسان برای شناسایی افرادی که نیاز به آزمایش آمیلوئید PET یا CSF دارند، دنبال شده است.
اگرچه عوامل سبک زندگی، از جمله عدم ورزش، انزوای اجتماعی، و اختلالات خواب، و همچنین بیماری‌هایی از جمله فشار خون، دیابت و بیماری‌های قلبی عروقی از عوامل خطر شناخته شده برای AD هستند، اما تاکنون، مطالعاتی که از مدل‌های یادگیری ماشینی برای پیش‌بینی تجمع Aβ مغز استفاده می‌کنند، نشان داده‌اند. فقط از تست های عملکرد شناختی، آزمایش خون و تست های تصویربرداری مغز استفاده می شود. در مقابل، این اولین مطالعه یادگیری ماشینی است که بر روی "داده های بیولوژیکی" و "داده های سبک زندگی" تمرکز دارد.
این مطالعه «داده‌های بیولوژیکی» جمع‌آوری‌شده توسط حسگرهای مچ‌بند، مانند فعالیت بدنی، خواب و ضربان قلب، «داده‌های شیوه زندگی» به‌دست‌آمده از مشاوره‌های پزشکی، مانند تعداد اعضای خانواده، وضعیت اشتغال، دفعات بیرون رفتن، وسایل حمل‌ونقل را ادغام کرد. ، تعداد روزهای شرکت در فعالیت های اجتماعی، و «پیشینه آزمودنی ها»، مانند سن، سابقه تحصیلی، سابقه مصرف الکل، و سابقه پزشکی (فشار خون، سکته، دیابت، بیماری قلبی، بیماری تیروئید) برای ایجاد یک مدل یادگیری ماشینی برای پیش‌بینی افرادی که احتمالاً آزمایش آنها توسط آمیلوئید PET مغز مثبت است و عملکرد مدل را ارزیابی کرد. نتایج این مطالعه نشان داد که سطح زیر منحنی (AUC)، شاخص ارزیابی مدل پیش‌بینی متشکل از «داده‌های زیست‌شناختی»، «داده‌های سبک زندگی» و «پیشینه آزمودنی‌ها» 0.79 بود که منجر به این تصمیم شد که مدل دارای قابلیت کافی برای غربالگری است. این مدل یادگیری ماشینی قادر به پیش‌بینی تجمع Aβ مغز با استفاده از متغیرهای غیرتهاجمی در دسترس است. در نتیجه، به نظر می رسد این مدل به طور گسترده به عنوان یک پیش غربالگری برای افرادی که در مناطقی زندگی می کنند که دسترسی کمی به آزمایش PET و CSF آمیلوئید دارند، و برای کاهش بار مالی و فیزیکی بیماران و همچنین هزینه های مطالعات بالینی قابل استفاده است.
پیشینه و طرح کلی تحقیق
از آنجایی که ژاپن با افزایش تعداد بیماران زوال عقل بالای 65 سال به جامعه ای فوق پیر تبدیل شده است، توسعه عوامل درمانی جدید برای AD، شایع ترین علت زوال عقل، یک مسئله فوری است. عادات سبک زندگی مانند ورزش نکردن، انزوای اجتماعی و اختلالات خواب و همچنین بیماری هایی مانند فشار خون بالا، دیابت و بیماری های قلبی عروقی از عوامل خطر شناخته شده برای AD هستند. توسعه داروهایی که Aβ را هدف قرار می دهند در سال های اخیر شاهد پیشرفت هایی بوده است و امسال، آنتی بادی پروتوفیبریل ضد Aβ در ژاپن تایید شد. برای به حداکثر رساندن اثرات این دارو، شناسایی افراد مبتلا به اختلال شناختی خفیف پیش علامتی (MCI) که احتمالاً تجمع آمیلوئید مغزی بالایی دارند، ضروری است. تا به امروز، اگرچه گزارش‌هایی در مورد مدل‌های یادگیری ماشینی برای پیش‌بینی تجمع Aβ مغز توسط تست‌های عملکرد شناختی، آزمایش‌های خون و آزمایش‌های تصویربرداری مغز در دسترس بوده است، هیچ تحقیقی بر روی داده‌های بیولوژیکی یا داده‌های سبک زندگی متمرکز نشده است. این تحقیق اولین تلاش جهان برای ایجاد یک مدل یادگیری ماشینی برای پیش‌بینی مثبت بودن آمیلوئید در افراد با استفاده از «داده‌های بیولوژیکی» جمع‌آوری‌شده با حسگر مچ‌بند، از جمله فعالیت روزانه، خواب، گفتار و ضربان قلب و «داده‌های شیوه زندگی» است که از طریق آن جمع‌آوری شده است. مشاوره پزشکی.
نتایج و اهمیت تحقیق، توسعه آینده
این تحقیق از داده‌های یک مطالعه کوهورت آینده‌نگر بر روی سالمندان بدون زوال عقل 65 ساله و بالاتر ساکن شهر اوسوکی، استان اویتا، که بین اوت 2015 تا سپتامبر 2019 انجام شد، استفاده کرد. 122 نفر (54 مرد، 68 زن، میانگین سنی 75.50 سال) با خفیف اختلال شناختی یا اختلال ذهنی حافظه از سنسور مچ بند تقریباً 7 روز هر 3 ماه استفاده می کرد. این مطالعه همچنین داده‌های مربوط به سبک زندگی را از طریق مشاوره پزشکی جمع‌آوری کرد و افراد تحت معاینات منظم آمیلوئید PET (یک بار در سال) در طول 3 سال قرار گرفتند. این تحقیق یک مدل پیش‌بینی ایجاد شده با سه فناوری یادگیری ماشین، ماشین بردار پشتیبان، شبکه الاستیک و رگرسیون لجستیک را ارزیابی کرد تا «داده‌های بیولوژیکی» جمع‌آوری‌شده توسط حسگرهای مچ‌بند، مانند فعالیت بدنی، خواب، و ضربان قلب، و «داده‌های سبک زندگی» را جمع‌آوری کند. به دست آمده از مشاوره های پزشکی، مانند زندگی با اعضای خانواده، وضعیت شغلی، دفعات رفتن به خارج از منزل، وسایل حمل و نقل، تعداد روزهای شرکت در فعالیت های اجتماعی، و همچنین "پیشینه افراد" مانند سن، سابقه تحصیلی، سابقه مصرف الکل و سابقه پزشکی (فشار خون، سکته مغزی، دیابت، بیماری قلبی، بیماری تیروئید). برای مثال، در حالی که AUC یک مدل پیش‌گویانه ایجاد شده با تنها «داده‌های بیولوژیکی» جمع‌آوری‌شده توسط حسگرهای مچ‌بند با استفاده از Elastic Net 0.70 بود، AUC یک مدل پیش‌بینی‌کننده ایجاد شده با «داده‌های سبک زندگی» اضافی و پس‌زمینه بیمار 0.79 بود که عملکرد بهتری را نشان می‌دهد. . این تحقیق اولین تلاش در جهان برای ایجاد یک مدل یادگیری ماشینی برای پیش‌بینی تجمع Aβ مغز با استفاده از «داده‌های بیولوژیکی» جمع‌آوری‌شده با حسگر مچ‌بند، شامل فعالیت روزانه، خواب، گفتار و ضربان قلب و «داده‌های شیوه زندگی» است که از طریق پزشکی جمع‌آوری شده است. مشاوره، و همچنین "پیشینه افراد".
علاوه بر این، با استفاده از الگوریتم‌های پیشرفته برای شناسایی عوامل متعددی که در پیش‌بینی تجمع Aβ نقش دارند، ۲۲ عامل مشترک شناسایی شدند که در سه فناوری ماشین یادگیری مشترک بودند. به طور خاص فعالیت بدنی، خواب، ضربان قلب، میزان مکالمه، سن، مدت تحصیل، زندگی با یا بدون فرزند، وسایل حمل و نقل، حضور همراه برای بازدید از بیمارستان، فرکانس های ارتباطی، و تعداد رفت و آمدها مشخص شد.
مقاله علمی:
عنوان: پیش‌بینی مثبت بودن آمیلوئید مغز توموگرافی گسیل پوزیترون با استفاده از مدل‌های یادگیری ماشینی قابل تفسیر با داده‌های حسگر پوشیدنی و عوامل سبک زندگی
نویسندگان: نوریوکی کیمورا (گروه نورولوژی، دانشکده پزشکی، دانشگاه اویتا) 1,2،1، توموکی آئوتا (شرکت Eisai، آموزشی ویبولیتین) 2، یاسوهیرو آسو (بیمارستان استان اویتا)، کنیچی یابوچی (بخش نورولوژی، دانشکده پزشکی) ، دانشگاه اویتا)، کوتارو ساساکی (شرکت Eisai، آموزشی ویبولیتین)، ترواکی ماسودا (گروه نورولوژی، دانشکده پزشکی، دانشگاه اویتا)، آتسوکو اگوچی (گروه نورولوژی، دانشکده پزشکی، دانشگاه اویتا)، یوشیتاکا مائدا (ایسای) Co., Ltd.), Ken Aoshima (Eisai Co., Ltd./University of Tsukuba) XNUMX, Etsuro Matsubara (گروه نورولوژی، دانشکده پزشکی، دانشگاه اویتا)
1. این نویسندگان به طور مساوی به نسخه خطی کمک کردند.
2. نویسنده مسئول.
ناشر: Alzheimer's Research & Therapy
لطفاً هرگونه درخواست یا درخواست مصاحبه را به اطلاعات تماس ارائه شده در زیر ارسال کنید
برای اطلاعات بیشتر یا هر گونه سؤال در مورد این مطالعه، نوریوکی کیمورا، دانشیار، گروه نورولوژی، دانشکده پزشکی، دانشگاه اویتا
(1) آمیلوئید بتا: پروتئینی که به عنوان عامل بیماری آلزایمر در نظر گرفته می شود، که حدود 20 سال قبل از شروع بیماری در مغز تجمع می یابد و پلاک های پیری را تشکیل می دهد.
(2) بیماری آلزایمر: شایع‌ترین علت زوال عقل و ویژگی‌های پاتولوژیک آن شامل پلاک‌های پیری، گره‌خوردگی‌های نوروفیبریلاری و مرگ سلول‌های عصبی است.
(3) آمیلوئید PET: یک آزمایش تصویربرداری مغز که تجمع Aβ را در مغز تجسم می کند
(4) آزمایش مایع مغزی نخاعی: آزمایشی برای تجزیه و تحلیل مایع مغزی نخاعی برای Aβ42، تاو فسفریله و تاو تام به عنوان نشانگرهای زیستی بیماری آلزایمر
TEL: +81-(0)97-586-5814, FAX: +81-(0)97-586-6502
ایمیل：[ایمیل محافظت شده]
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://www.jcnnewswire.com/pressrelease/88364/3/
