مدل جدیدی در MIT می‌تواند با پیش‌بینی نمرات آزمون شناختی خود در آینده، پیش‌بینی کند که آیا بیمارانی که در معرض ابتلا به بیماری آلزایمر هستند، دچار کاهش شناختی بالینی در اثر بیماری خواهند شد یا خیر. این مدل می‌تواند برای بهبود انتخاب داروهای نامزد و گروه‌های شرکت کننده در کارآزمایی‌های بالینی، که تاکنون ناموفق بوده‌اند، استفاده شود. همچنین بیمارانی که ممکن است در ماه‌ها و سالهای آینده روند کاهش سریع شناختی را تجربه می‌کنند ، امکان آمادگی آنها و عزیزانشان بیشتر می‌باشد.
شرکت‌های داروسازی طی دو دهه گذشته صدها میلیارد دلار در تحقیقات آلزایمر تزریق کرده‌اند. با این وجود در این زمینه با شکست روبرو شده‌است: براساس گزارش سال 2018 از تحقیقات دارویی و تولید کنندگان آمریكا ، بین سالهای 1998 و 2017 ، 146 تلاش ناموفق برای تولید دارو برای معالجه یا پیشگیری از بیماری وجود داشته است. در آن زمان فقط چهار داروی جدید تصویب می‌شد و فقط برای درمان علائم استفاده می‌شد. در حال حاضر بیش از 90 نامزد در حال توسعه هستند.
مطالعات نشان می‌دهد که موفقیت بیشتر در ورود دارو به بازار می‌تواند به استخدام داوطلبانی که در مراحل اولیه این بیماری هستند (قبل از اینکه علائم مشهود باشد) کاهش یابد، که این در مواقعی است که درمان موثرتر است. در مقاله‌ای که در کنفرانس Machine Learning for Health Health 2019 ارائه شد ، محققان آزمایشگاه MIT Media یک الگوی یادگیری ماشینی را توصیف کردند که می‌تواند به پزشکان کمک کند تا در این گروه خاص از شرکت‌کنندگان به صفر برسند. آنها ابتدا یک مدل “جمعیت” را در کل مجموعه داده ها قرار دادند که شامل نمرات آزمون شناختی بالینی قابل توجه و سایر داده‌های بیومتریک از بیماران آلزایمر و همچنین افراد سالم بود که بین ویزیت‌های پزشک دوسالانه جمع آوری شدند. از داده‌ها ، این مدل الگوهای یادگیری را می‌آموزد که می‌تواند به پیش‌بینی چگونگی امتیاز‌دهی بیماران در تست‌های شناختی که بین ویزیت‌ها انجام می‌شود، کمک کند.
اگی رودوویچ ، محقق آزمایشگاه اعلام کرد: آزمایشات نشان می‌دهد که پیش‌بینی‌های دقیقی می‌توان در ۶، ۱۲، ۱۸و ۲۴ ماه آینده انجام داد. بنابراین پزشکان می‌توانند از این مدل برای انتخاب مشارکت‌کنندگان در معرض خطر برای کارآزمایی بالینی، که احتمالاً حتی قبل از ظهور سایر علائم بالینی ، نشان‌دهنده کاهش سریع شناختی است، استفاده کنند. درمان زود هنگام چنین بیمارانی ممکن است به پزشکان کمک کند تا بهتر تشخیص دهند که داروهای ضددرد چه کاربرد و اثری دارند. پیش بینی دقیق کاهش شناختی از ۶ تا ۲۴ ماه برای طراحی کارآزمایی بالینی بسیار مهم است. توانایی پیش‌بینی دقیق تغییرات شناختی آینده می‌تواند تعداد بازدیدهایی را که شرکت‌کننده انجام داده است کاهش دهد، که این می تواند گران و وقت گیر باشد. جدا از کمک به تولید داروی مفید ، هدف این است که به کاهش هزینه‌های آزمایشات بالینی کمک کنیم تا آنها را در مقیاس‌های بزرگتر و مقرون به صرفه‌تر انجام دهند.
محققان برای کار خود بزرگترین مجموعه داده آزمایش کارآزمایی بالینی بیماری آلزایمر جهان را با نام ابتکار عمل Neuroimaging Alzheimer در جهان (ADNI) استفاده کردند. این مجموعه داده شامل داده هایی از حدود 1700 شرکت‌کننده است، باوجود و بدون آلزایمر ، در طی مراجعه به پزشک نیمساله بیش از 10 سال ثبت شده است. داده ها شامل نمرات زیر مقیاس شناختی (ADAS-Assessment) مقیاس شناختی (ADAS-Cog13) است ، که بیشترین معیار شناختی مورد استفاده در آزمایشات بالینی داروهای بیماری آلزایمر است. این آزمون حافظه ، زبان و جهت‌گیری را در مقیاس افزایش شدت تا 85 امتیاز ارزیابی می‌کند. مجموعه داده‌ها شامل اسکن‌های MRI، اطلاعات جمعیتی و ژنتیکی و اندازه‌گیری مایعات مغزی نیز می‌باشد.
در کل ، محققان مدل خود را بر روی زیر گروهی از 100 شرکت کننده ، که بیش از 10 بازدید داشته‌اند و کمتر از 85 درصد داده مفقودالاثر، هر کدام با بیش از 600 ویژگی محاسبه شده، آموزش داده و آزمایش کردند. از بین این شرکت کنندگان ، 48 نفر به بیماری آلزایمر مبتلا بودند. اما داده‌ها پراکنده هستند و ترکیب‌های مختلفی از ویژگی‌ها برای اکثر شرکت‌کنندگان وجود ندارد. برای حل این مسئله، محققان از این داده‌ها برای آموزش یک مدل جمعیتی استفاده شده از یک چارچوب احتمال “غیرپارامتری” به نام (Gaussian Proces (GPs استفاده کردند که دارای پارامترهای انعطاف‌پذیر برای متناسب‌سازی توزیع‌های مختلف احتمال و پردازش عدم قطعیت در داده‌ها است. این تکنیک شباهت بین متغیرها ، مانند نقاط داده‌های بیمار را برای پیش‌بینی مقدار برای یک نقطه داده غیب -مانند نمره شناختی – اندازه‌گیری می‌کند. خروجی همچنین شامل تخمینی برای میزان اطمینان آن در مورد پیش بینی است.
اما محققان دریافتند که نتایج مدل‌های شخصی هنوز کمتر از حد استاندارد است. برای برطرف کردن این مسئله ، آنها یک طرح جدید “metalearning” را اختراع کردند که می‌آموزد به طور خودکار انتخاب کند که کدام نوع از مدل ، جمعیت یا شخصی سازی شده باشد ، بسته به داده‌های در حال تجزیه و تحلیل، برای هر یک از شرکت‌کنندگان معین در هر زمان معین بهتر کار می‌کند. Metalearning قبلاً برای انجام دیدهای رایانه‌ای و کارهای ترجمه ماشینی مورد استفاده قرار گرفته است تا مهارت‌های جدیدی یاد گرفته و یا با چند مثال آموزشی به سرعت با محیط‌های جدید سازگار شود. رودوویچ می‌گوید، اما این اولین‌بار است که برای ردیابی کاهش شناختی از بیماران آلزایمر، جایی که داده‌های محدود یک چالش اصلی است، اعمال می‌شود. این طرح در اصل چگونگی عملکرد مدل‌های مختلف را برای یک کار معین – مانند پیش بینی نمره ADAS-Cog13 – شبیه سازی می‌کند و بهترین تناسب را می‌آموزد. در طول هر مراجعه بیمار جدید ، این طرح بر اساس داده های قبلی ، مدل مناسب را اختصاص می دهد. به عنوان مثال، در بیمارانی که داده‌های پر سروصدا و پر سر و صدایی در حین ویزیت‌های اولیه ندارند، پیش‌بینی‌های دقیق‌تری انجام می‌شود. هنگامی که بیماران با داده های بیشتری شروع می‌کنند یا تعداد بیشتری از طریق ویزیت های بعدی جمع آوری می‌کنند، با این‌حال، مدل‌های شخصی عملکرد بهتری دارند.
منابع:
.medical life sciences ,Reviewed by Kate Anderton, B.Sc, New model predicts cognitive decline of patients at risk for Alzheimer’s disease, 2019
