Μια διεπιστημονική ερευνητική ομάδα από το Πανεπιστήμιο της Αλμπέρτα χρησιμοποιεί δεδομένα σχετικά με την υγεία, τον τρόπο ζωής, κοινωνικοοικονομικά και άλλα δεδομένα για να αναπτύξει προγράμματα μηχανικής μάθησης για να προβλέψει τη μελλοντική ψυχική και σωματική υγεία των ηλικιωμένων Καναδών. Η προσέγγιση θα μπορούσε κάποτε να χρησιμοποιηθεί για να βοηθήσει τις ομάδες υγειονομικής περίθαλψης να παρέχουν εξατομικευμένη φροντίδα και να προάγουν την υγιή γήρανση, λέει ο κύριος ερευνητής Bo Cao, αναπληρωτής καθηγητής ψυχιατρικής, επίκουρος καθηγητής επιστήμης υπολογιστών και Έδρα Canada Research in Computational Psychiatry.
«Η μηχανική μάθηση είναι μια ισχυρή και χρήσιμη υπολογιστική μέθοδος για τη χρήση πλούσιων αποπροσδιορισμένων δεδομένων», λέει. «Αν θέλουμε να πιέσουμε για μελλοντική εξατομικευμένη πρόβλεψη ασθενών για ορισμένα αποτελέσματα υγείας, πρέπει να αξιοποιήσουμε τις τεχνικές μηχανικής μάθησης». Η ομάδα του Cao χρησιμοποίησε μηχανική μάθηση σε δύο πρόσφατα δημοσιευμένες μελέτες για να εντοπίσει μοτίβα και να τα αναλύσει προς όφελος ασθενών με δεδομένα από την Canadian Longitudinal Study on Aging (CLSA) για περισσότερους από 30.000 Καναδούς ηλικίας μεταξύ 45 και 85 ετών που θα παρακολουθούνται για έως και 25 χρονών.
“Αυτά είναι τα κορυφαία δεδομένα από τον Καναδά”, λέει ο Cao, ο οποίος είναι επίσης συνδιευθυντής της ομάδας Υπολογιστικής Ψυχιατρικής μεταξύ σχολών U of A. “Στόχος μας είναι να συνεισφέρουμε στην υγεία των Αλμπερτών και των Καναδών. Ελπίζουμε να αναπτύξουμε μια υγιή πορεία γήρανσης για τον καθένα μας.”
Πόσο χρονών είστε αλήθεια;
Στην πρώτη εργασία, που δημοσιεύτηκε στο περιοδικό Gerontology, η ομάδα ανέπτυξε έναν βιολογικό δείκτη ηλικίας εφαρμόζοντας μοντέλα μηχανικής μάθησης σε δεδομένα εξετάσεων αίματος από το CLSA. Όπως και η σύγκριση που έγινε στη δεκαετία του 1970 από το πρόγραμμα Συμμετοχής μεταξύ των επιπέδων φυσικής κατάστασης ενός 30χρονου Καναδού και ενός 60χρονου Σουηδού, το σώμα σας μπορεί να είναι φυσιολογικά μεγαλύτερο ή νεότερο από τη χρονολογική σας ηλικία. Οι ερευνητές αποκαλούν αυτή τη διαφορά «κενό BioAge».
Η ομάδα, η οποία περιλάμβανε επίσης την Ελένη Στρούλια, τον Roger A. Dixon και τον Russ Greiner από τη Σχολή Επιστημών, διερεύνησε συσχετίσεις μεταξύ του χάσματος BioAge και του τρόπου ζωής, των περιβαλλοντικών παραγόντων και των συνθηκών υγείας. Ανέφεραν ισχυρές συσχετίσεις για θετικό χάσμα BioAge («μεγαλύτερη» από τη χρονολογική ηλικία) με χρόνιες ασθένειες, συχνή κατανάλωση επεξεργασμένου και κόκκινου κρέατος, κάπνισμα και παθητική έκθεση στον καπνό.
Αρκετοί τροποποιήσιμοι παράγοντες όπως η κατανάλωση φρούτων, οσπρίων και λαχανικών συσχετίστηκαν με αρνητικό χάσμα BioAge («νεότερο» από τη χρονολογική ηλικία). «Η κατανόηση αυτών των συσχετίσεων και ο εντοπισμός παραγόντων κινδύνου για τη διαφορική γήρανση θα μπορούσε να καθοδηγήσει αποτελεσματικές συστάσεις για τη δημόσια υγεία για την προώθηση της υγιούς μακροζωίας», αναφέρει η ομάδα στο έγγραφό της.
Ο Cao ελπίζει ότι η προσέγγιση θα μπορούσε επίσης κάποια μέρα να επηρεάσει την υγειονομική περίθαλψη που λαμβάνουν τα άτομα. Λέει ότι το επόμενο βήμα για την έρευνα θα είναι η προσπάθεια κατανόησης ποιοι παράγοντες ή συνδυασμός παραγόντων είναι οι πιο σημαντικοί που επηρεάζουν τη βιολογική διαδικασία γήρανσης.
Πρόβλεψη μελλοντικής ψυχικής υγείας
Στη δεύτερη μελέτη, που δημοσιεύτηκε στο Journal of Affective Disorders, η ομάδα ανέπτυξε ένα πρόγραμμα που προέβλεπε με ακρίβεια ποια άτομα θα εμφανίσουν κατάθλιψη εντός τριών ετών. Το μοντέλο μηχανικής μάθησης εκπαιδεύτηκε δουλεύοντας προς τα πίσω χρησιμοποιώντας αρχεία για άτομα που τελικά διαγνώστηκαν με κατάθλιψη. Οι συμμετέχοντες που είχαν προηγουμένως διαγνωστεί με κατάθλιψη ή είχαν υψηλότερες βαθμολογίες σε μια αυτοαναφερόμενη κλίμακα συμπτωμάτων κατάθλιψης αποκλείστηκαν.
«Εντοπίσαμε τα υπάρχοντα υποκατώτερα συμπτώματα κατάθλιψης, τη συναισθηματική αστάθεια, τα χαμηλά επίπεδα ικανοποίησης από τη ζωή, την αντιληπτή υγεία και κοινωνική υποστήριξη και τον κίνδυνο διατροφής ως τους πιο σημαντικούς προγνωστικούς παράγοντες για την έναρξη της κατάθλιψης», αναφέρουν οι ερευνητές στην εργασία τους. Το μοντέλο ήταν περίπου 70% ακριβές στην πρόβλεψη των συμμετεχόντων στη μελέτη που θα αναπτύξουν πλήρη κατάθλιψη μέσα σε τρία χρόνια σε ατομικό επίπεδο, λέει ο Cao, και ήταν ακόμα ακριβές όταν τα συμπτώματα της κατάθλιψης υποκατώτερου ουδού αφαιρέθηκαν.
![[AI] Predicting Diseases](https://i.ytimg.com/vi/7s72pvvYFGo/hqdefault.jpg)
«Είναι ενδιαφέρον ότι ακόμη και χρησιμοποιώντας μόνο μέτρα προσωπικότητας, την αντιληπτή υγεία ή ψυχική υγεία, τη διατροφή και άλλους παράγοντες που δεν σχετίζονται άμεσα με τα καταθλιπτικά συμπτώματα και το στρες, η κατάθλιψη μπορεί να προβλεφθεί», λέει ο Cao. Ο Cao λέει ότι ούτε το μοντέλο μηχανικής μάθησης ψυχικής υγείας ούτε το μοντέλο BioAge είναι αρκετά εκλεπτυσμένα για εφαρμογή σε πραγματικό κόσμο στο τρέχον στάδιο, αλλά αυτός είναι ο στόχος του, επομένως έχουν προγραμματιστεί περισσότερες έρευνες και δοκιμές. «Προσπαθούμε να δημιουργήσουμε μια συζήτηση που να περιλαμβάνει διαφορετικές ομάδες – κλινικούς ιατρούς, ασθενείς και άτομα με βιωμένη εμπειρία – για να δείξουμε ότι αυτού του είδους το μοντέλο μπορεί να ωφελήσει το ευρύ κοινό».