هوش مصنوعی آلزایمر را 7 سال زودتر پیش بینی کرد _اخبار روانشناسی جزیره ذهن

خلاصه: محققان یک روش هوش مصنوعی ابداع کرده اند که می تواند بیماری آلزایمر را تا هفت سال قبل از شروع علائم، با استفاده از یادگیری ماشینی برای تجزیه و تحلیل سوابق بیماران پیش بینی کند.

مطالعه آنها کلسترول بالا و پوکی استخوان – به ویژه در زنان – را به عنوان پیش‌بینی‌کننده‌های کلیدی برجسته می‌کند و پتانسیل هوش مصنوعی را برای آشکار کردن الگوهای بیماری پیچیده و محرک‌های بیولوژیکی نشان می‌دهد. این تیم با ادغام داده‌های بالینی با پایگاه‌های اطلاعاتی ژنتیکی از طریق ابزارهایی مانند SPOKE UCSF، ژن‌های مرتبط با آلزایمر را شناسایی کرده و راه‌های جدیدی برای تشخیص زودهنگام و درک تأثیر متقابل بین شرایط مختلف سلامت و خطر آلزایمر ارائه می‌کند.

این رویکرد نویدبخش افزایش داروی دقیق برای آلزایمر و سایر بیماری‌های چالش برانگیز است.

حقایق کلیدی:

  1. پیش بینی اولیه از طریق هوش مصنوعی: یادگیری ماشینی که در داده های بالینی به کار می رود می تواند شروع آلزایمر را با دقت 72 درصد تا هفت سال قبل پیش بینی کند.
  2. پیش‌بینی‌کننده‌های مهم شناسایی شدند: کلسترول بالا و پوکی استخوان پیش‌بینی‌کننده‌های مهم آلزایمر هستند و پوکی استخوان یک عامل قابل توجه برای زنان است.
  3. بینش ژنتیکی رونمایی شدمحققان با استفاده از SPOKE UCSF، خطر آلزایمر را با ژن‌های خاصی از جمله ارتباط بین پوکی استخوان و آلزایمر در زنان از طریق ژن MS4A6A مرتبط کردند.

منبع: UCSF

دانشمندان دانشگاه کالیفرنیا سانفرانسیسکو با تجزیه و تحلیل سوابق بیماران با یادگیری ماشین راهی برای پیش بینی بیماری آلزایمر تا هفت سال قبل از ظاهر شدن علائم پیدا کرده اند.

شرایطی که بیشترین تأثیر را بر پیش بینی آلزایمر داشت، کلسترول بالا و برای زنان، بیماری ضعیف کننده استخوان، پوکی استخوان بود.

این کار نوید استفاده از هوش مصنوعی (AI) را برای شناسایی الگوها در داده‌های بالینی نشان می‌دهد که می‌توان از آن برای جست‌وجو پایگاه‌های داده ژنتیکی بزرگ برای تعیین اینکه چه چیزی این خطر را ایجاد می‌کند، استفاده کرد. محققان امیدوارند که روزی تشخیص و درمان آلزایمر و سایر بیماری های پیچیده را تسریع بخشد.

این یک خانم مسن را نشان می دهد.
در نهایت، محققان امیدوارند که این رویکرد بتواند با سایر بیماری‌های غیرقابل تشخیص مانند لوپوس و اندومتریوز استفاده شود. اعتبار: اخبار علوم اعصاب

آلیس تانگ، نویسنده اصلی این مطالعه، یک دانشجوی دکتری و دکتری در دانشگاه می گوید: «این اولین گام به سمت استفاده از هوش مصنوعی بر روی داده های بالینی معمول است، نه تنها برای شناسایی خطر در اسرع وقت، بلکه برای درک زیست شناسی پشت آن. آزمایشگاه سیروتا در UCSF.

قدرت این رویکرد هوش مصنوعی از شناسایی خطر بر اساس ترکیبی از بیماری ها ناشی می شود.

یافته ها در 21 فوریه 2024 در پیری طبیعت.

داده های بالینی و قدرت پیش بینی

دانشمندان مدت‌هاست که به دنبال کشف محرک‌های بیولوژیکی و پیش‌بینی‌کننده‌های اولیه بیماری آلزایمر بوده‌اند، یک شکل پیشرونده و در نهایت کشنده از زوال عقل که حافظه را از بین می‌برد. آلزایمر حدود 6.7 میلیون آمریکایی را تحت تأثیر قرار می دهد که تقریباً دو سوم آنها زن هستند. خطر ابتلا به این بیماری با افزایش سن افزایش می یابد و زنان بیشتر از مردان عمر می کنند، اما این به طور کامل توضیح نمی دهد که چرا زنان بیشتر از مردان به آن مبتلا هستند.

محققان از پایگاه داده بالینی UCSF از بیش از 5 میلیون بیمار برای جستجوی شرایط همزمان در بیماران مبتلا به آلزایمر در مرکز حافظه و پیری UCSF در مقایسه با افراد بدون AD استفاده کردند و دریافتند که می‌توانند با 72 درصد قدرت پیش‌بینی کنند. این بیماری تا هفت سال قبل ایجاد می شود.

عوامل متعددی از جمله فشار خون بالا، کلسترول بالا و کمبود ویتامین D، در مردان و زنان پیش‌بینی‌کننده بودند. اختلال نعوظ و بزرگی پروستات نیز برای مردان پیش‌بینی‌کننده بود. اما برای زنان، پوکی استخوان یک پیش بینی کننده مهم بود.

این بدان معنا نیست که همه مبتلایان به بیماری استخوانی که در بین زنان مسن شایع است، آلزایمر خواهند گرفت.

تانگ گفت: «این ترکیبی از بیماری‌ها است که به مدل ما اجازه می‌دهد تا شروع AD را پیش‌بینی کند.

رویکرد پزشکی دقیق

برای درک بیولوژی زیربنای قدرت پیش‌بینی مدل، محققان به پایگاه‌های داده مولکولی عمومی و یک ابزار تخصصی توسعه‌یافته در UCSF به نام SPOKE (موتور دانش محوری پزشکی دقیق مقیاس‌پذیر) روی آوردند که در آزمایشگاه سرجیو بارانزینی، دکترا، استاد دانشگاه توسعه داده شد. مغز و اعصاب و عضو موسسه UCSF Weill برای علوم اعصاب.

SPOKE اساسا یک پایگاه داده از پایگاه های داده است که محققان می توانند از آن برای شناسایی الگوها و اهداف مولکولی بالقوه برای درمان استفاده کنند. ارتباط شناخته شده بین آلزایمر و کلسترول بالا را از طریق شکلی از ژن آپولیپوپروتئین E، APOE4 دریافت کرد. اما، هنگامی که با پایگاه های داده ژنتیکی ترکیب شد، ارتباط بین پوکی استخوان و آلزایمر در زنان را نیز از طریق یک نوع ژن کمتر شناخته شده به نام MS4A6A شناسایی کرد.

در نهایت، محققان امیدوارند که این رویکرد بتواند با سایر بیماری‌های غیرقابل تشخیص مانند لوپوس و اندومتریوز استفاده شود.

دکتر مارینا سیروتا، نویسنده ارشد این مطالعه، گفت: «این یک مثال عالی از این است که چگونه می‌توانیم از داده‌های بیمار با یادگیری ماشینی استفاده کنیم تا پیش‌بینی کنیم که کدام بیماران بیشتر در معرض ابتلا به آلزایمر هستند و همچنین دلایل این امر را درک کنیم. دانشیار موسسه علوم سلامت محاسباتی باکار در UCSF.

نویسندگان: نویسندگان دیگر UCSF عبارتند از کاترین پی رانکین، دکترا، گابریل سرونو، MD، سیلویا میرامونتس، MIDS، هانتر میلز، MS، ژاکلین راجر، دانشجوی دکترا، بیلی زنگ، MD، شارلوت نلسون، دکترا، کارتیک سومان، دکترا، سارا ولدماریام، یاکیو لی، دکترا، آلبرت لی، MADS، دکتر رایلی بوو، تومیکو اسکوتسکی، دکتر زاخاری میلر، دکترای ایزابل آلن، دکترا، استفان جی سندرز، دکترا، و سرجیو بارانزینی، دکترا.

منابع مالی: مؤسسه ملی پیری حمایت اولیه را برای این مطالعه ارائه کرد (Grant R01AG060393). پشتیبانی اضافی توسط برنامه آموزشی دانشمند پزشکی (T32GM007618) و فلوشیپ F30 (1F30AG079504-01) ارائه شد.

در مورد این هوش مصنوعی و اخبار تحقیقات بیماری آلزایمر

نویسنده: ویکتوریا کالیور
منبع: UCSF
مخاطب: ویکتوریا کولیور – UCSF
تصویر: این تصویر به Neuroscience News اعتبار داده شده است

تحقیق اصلی: دسترسی آزاد.
استفاده از سوابق الکترونیکی سلامت و شبکه های دانش برای پیش بینی بیماری آلزایمر و بینش های بیولوژیکی جنس خاصتوسط آلیس تانگ و همکاران. پیری طبیعت


خلاصه

استفاده از سوابق الکترونیکی سلامت و شبکه های دانش برای پیش بینی بیماری آلزایمر و بینش های بیولوژیکی جنس خاص

شناسایی خطر شروع بیماری آلزایمر (AD) می تواند مداخلات را قبل از پیشرفت غیرقابل برگشت بیماری تسهیل کند. ما نشان می‌دهیم که سوابق سلامت الکترونیکی از دانشگاه کالیفرنیا، سانفرانسیسکو، و به دنبال آن شبکه‌های دانش (به عنوان مثال، SPOKE) امکان (1) پیش‌بینی شروع بیماری AD و (2) اولویت‌بندی فرضیه‌های بیولوژیکی، و (3) زمینه‌سازی جنسیت را فراهم می‌کند. دوشکلی

ما مدل‌های جنگل تصادفی را آموزش دادیم و شروع AD را روی گروهی متشکل از 749 فرد مبتلا به AD و 250545 کنترل با میانگین سطح زیر مشخصه عملکرد گیرنده 0.72 (7 سال قبل) تا 0.81 (1 روز قبل) پیش‌بینی کردیم. ما بیشتر از مدل‌های کوهورت همسان استفاده کردیم تا شرایط با قدرت پیش‌بینی را قبل از شروع AD شناسایی کنیم.

شبکه های دانش ژن های مشترک بین چندین پیش بینی کننده برتر و AD را برجسته می کنند (به عنوان مثال، APOE، ACTB، IL6 و INS). تجزیه و تحلیل colocalization ژنتیکی از ارتباط AD با چربی خون بالا پشتیبانی می کند APOE منبع، و همچنین یک ارتباط قوی تر AD زن با پوکی استخوان در یک مکان نزدیک MS4A6A.

بنابراین ما نشان می‌دهیم که چگونه می‌توان از داده‌های بالینی برای پیش‌بینی اولیه AD و شناسایی فرضیه‌های بیولوژیکی شخصی‌شده استفاده کرد.

https://neurosciencenews.com/ai-alzheimers-25642/

ممکنه براتون جالب باشه که...

پست های محبوب

دیدگاهتان را بنویسید