Αλτσχάιμερ άνοια: Χρειάζεται πολύς χρόνος —και πόροι— για τη διάγνωση της νόσου του Αλτσχάιμερ. Μετά από μακροχρόνιες διαπροσωπικές νευροψυχολογικές εξετάσεις, οι κλινικοί γιατροί πρέπει να μεταγράψουν, να επανεξετάσουν και να αναλύσουν κάθε απάντηση λεπτομερώς. Ωστόσο, ερευνητές στο Πανεπιστήμιο της Βοστώνης έχουν αναπτύξει ένα νέο εργαλείο που θα μπορούσε να αυτοματοποιήσει τη διαδικασία και τελικά να της επιτρέψει να κινηθεί στο διαδίκτυο. Το υπολογιστικό τους μοντέλο μπορεί να ανιχνεύσει γνωστική εξασθένηση από ηχογραφήσεις νευροψυχολογικών τεστ - χωρίς ραντεβού δια ζώσης.
Τα ευρήματα της μελέτης δημοσιεύτηκαν στο Alzheimer’s & Dementia. «Αυτή η προσέγγιση μας φέρνει ένα βήμα πιο κοντά στην πρώιμη παρέμβαση», λέει ο Ιωάννης Πασχαλίδης, συγγραφέας στην εργασία και διακεκριμένος καθηγητής Μηχανικής του BU College of Engineering. Σύμφωνα με τον ίδιο, η ταχύτερη και έγκαιρη ανίχνευση του Αλτσχάιμερ θα μπορούσε να οδηγήσει σε μεγαλύτερες κλινικές δοκιμές που επικεντρώνονται σε άτομα σε πρώιμα στάδια της νόσου και ενδεχομένως να επιτρέψουν κλινικές παρεμβάσεις που επιβραδύνουν τη γνωστική έκπτωση: «Μπορεί να αποτελέσει τη βάση ενός διαδικτυακού εργαλείου που θα μπορούσε να φτάσει σε όλους και θα μπορούσε να αυξήσει τον αριθμό των ανθρώπων που υποβάλλονται σε προληπτικό έλεγχο».
Η ερευνητική ομάδα κατασκεύασε το μοντέλο της χρησιμοποιώντας ηχογραφήσεις νευροψυχολογικών συνεντεύξεων από περισσότερα από 1.000 άτομα στο Framingham Heart Study, ένα μακροχρόνιο έργο υπό την ηγεσία της BU που εξετάζει τις καρδιαγγειακές και άλλες φυσιολογικές παθήσεις. Χρησιμοποιώντας αυτοματοποιημένα διαδικτυακά εργαλεία αναγνώρισης ομιλίας—τύπου «Hey, Google!»—και μια τεχνική μηχανικής εκμάθησης που ονομάζεται επεξεργασία φυσικής γλώσσας που βοηθά τους υπολογιστές να κατανοούν το κείμενο, ρύθμισαν το πρόγραμμά τους να μεταγράψει τις συνεντεύξεις και μετά να τις κωδικοποιήσει σε αριθμούς. Ένα τελικό μοντέλο εκπαιδεύτηκε για την αξιολόγηση της πιθανότητας και της σοβαρότητας της γνωστικής έκπτωσης χρησιμοποιώντας δημογραφικά δεδομένα, κωδικοποιήσεις κειμένου και πραγματικές διαγνώσεις από νευρολόγους και νευροψυχολόγους.
Ο Πασχαλίδης λέει ότι το μοντέλο δεν μπόρεσε μόνο να διακρίνει με ακρίβεια τα υγιή άτομα από τα άτομα με άνοια, αλλά και να εντοπίσει διαφορές μεταξύ αυτών με ήπια γνωστική έκπτωση και άνοια. Και, όπως αποδείχτηκε, η ποιότητα των ηχογραφήσεων και ο τρόπος με τον οποίο μιλούσαν οι άνθρωποι ήταν λιγότερο σημαντικά από το περιεχόμενο αυτών που έλεγαν.
«Μας εξέπληξε το γεγονός ότι η ροή ομιλίας ή άλλα χαρακτηριστικά ήχου δεν είναι τόσο κρίσιμα· μπορείτε αυτόματα να μεταγράψετε συνεντεύξεις αρκετά καλά και να βασιστείτε στην ανάλυση κειμένου μέσω τεχνητής νοημοσύνης για να αξιολογήσετε τη γνωστική εξασθένηση», λέει ο Πασχαλίδης, ο οποίος είναι επίσης ο νέος διευθυντής του Rafik B του BU. Hariri Institute for Computing and Computational Science & Engineering. Αν και η ομάδα χρειάζεται ακόμα να επικυρώσει τα αποτελέσματά της σε σχέση με άλλες πηγές δεδομένων, τα ευρήματα υποδεικνύουν ότι το εργαλείο τους θα μπορούσε να υποστηρίξει τους κλινικούς ιατρούς στη διάγνωση της γνωστικής εξασθένησης χρησιμοποιώντας ηχογραφήσεις, συμπεριλαμβανομένων εκείνων από εικονικά ραντεβού ή ραντεβού τηλευγείας.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
