Περίληψη Άρθρου:

Οι επιστήμονες του Cambridge δημιούργησαν ένα εργαλείο AI που προβλέπει με ακρίβεια την εξέλιξη της άνοιας, ενδεχομένως μειώνοντας την ανάγκη για επεμβατικές διαγνωστικές δοκιμές. Αυτό το μοντέλο διακρίνει τη σταθερή ήπια γνωστική εξασθένηση και τη νόσο του Alzheimer, επιτυγχάνοντας 82% ακρίβεια στην πρόβλεψη των αποτελεσμάτων. Η έρευνα τονίζει τη σημασία της έγκαιρης ανίχνευσης για αποτελεσματική παρέμβαση και στοχεύει στην επέκταση της εφαρμογής της σε άλλους τύπους άνοιας, ενισχύοντας τη φροντίδα των ασθενών παγκοσμίως.

 

 

Κύρια σημεία του άρθρου:

• Οι επιστήμονες του Cambridge ανέπτυξαν ένα εργαλείο AI για την πρόβλεψη της εξέλιξης της άνοιας.
• Το εργαλείο μπορεί να μειώσει την ανάγκη για επεμβατικές διαγνωστικές δοκιμές.
• Διαφοροποιεί την ήπια γνωστική εξασθένηση και τη νόσο του Alzheimer.
• Επιτυγχάνει ακρίβεια 82% στις προβλέψεις.
• Η έρευνα υπογραμμίζει τον ρόλο της έγκαιρης ανίχνευσης στην αποτελεσματική παρέμβαση.
• Επικεντρώνεται στην ενίσχυση της φροντίδας των ασθενών παγκοσμίως.

Αναλυτικά το άρθρο:

Οι επιστήμονες του Κέιμπριτζ ανέπτυξαν ένα εργαλείο τεχνητής νοημοσύνης ικανό να προβλέψει σε τέσσερις από τις πέντε περιπτώσεις αν οι άνθρωποι με πρώιμα σημάδια άνοιας θα παραμείνουν σταθεροί ή θα αναπτύξουν τη νόσο Αλτσχάιμερ.

Η ομάδα λέει ότι αυτή η νέα προσέγγιση θα μπορούσε να μειώσει την ανάγκη για επεμβατικές και δαπανηρές διαγνωστικές εξετάσεις, ενώ παράλληλα θα βελτίωνε τα αποτελέσματα της θεραπείας σε πρώιμο στάδιο, όταν παρεμβάσεις όπως οι αλλαγές στον τρόπο ζωής ή τα νέα φάρμακα μπορεί να έχουν την ευκαιρία να λειτουργήσουν καλύτερα.

Η άνοια αποτελεί σημαντική παγκόσμια πρόκληση για την υγειονομική περίθαλψη, καθώς επηρεάζει πάνω από 55 εκατομμύρια ανθρώπους παγκοσμίως με εκτιμώμενο ετήσιο κόστος 820 δισεκατομμυρίων δολαρίων. Ο αριθμός των περιπτώσεων αναμένεται να τριπλασιαστεί σχεδόν τα επόμενα 50 χρόνια.

Η κύρια αιτία της άνοιας είναι η νόσος Αλτσχάιμερ, η οποία αντιπροσωπεύει το 60-80% των περιπτώσεων. Η έγκαιρη ανίχνευση είναι ζωτικής σημασίας, καθώς τότε είναι πιθανό οι θεραπείες να είναι πιο αποτελεσματικές, ωστόσο η έγκαιρη διάγνωση της άνοιας και η πρόγνωση μπορεί να μην είναι ακριβείς χωρίς τη χρήση επεμβατικών ή δαπανηρών εξετάσεων, όπως η τομογραφία εκπομπής ποζιτρονίων (PET) ή η οσφυονωτιαία παρακέντηση, οι οποίες δεν είναι διαθέσιμες σε όλες τις κλινικές μνήμης. Ως αποτέλεσμα, έως και το ένα τρίτο των ασθενών μπορεί να διαγνωστεί λανθασμένα και άλλοι να διαγνωστούν πολύ αργά για να είναι αποτελεσματική η θεραπεία.

Μια ομάδα με επικεφαλής επιστήμονες από το Τμήμα Ψυχολογίας του Πανεπιστημίου του Κέιμπριτζ ανέπτυξε ένα μοντέλο μηχανικής μάθησης ικανό να προβλέψει εάν και πόσο γρήγορα ένα άτομο με ήπια προβλήματα μνήμης και σκέψης θα εξελιχθεί σε νόσο Αλτσχάιμερ. Σε έρευνα που δημοσιεύεται σήμερα στο eClinical Medicine, δείχνουν ότι είναι πιο ακριβές από τα τρέχοντα κλινικά διαγνωστικά εργαλεία.

Για τη δημιουργία του μοντέλου τους, οι ερευνητές χρησιμοποίησαν δεδομένα ασθενών που συλλέγονται τακτικά, μη επεμβατικά και με χαμηλό κόστος - γνωστικά τεστ και δομικές μαγνητικές τομογραφίες που δείχνουν ατροφία της φαιάς ουσίας - σε πάνω από 400 άτομα που ανήκαν σε ερευνητική ομάδα στις ΗΠΑ.

Στη συνέχεια δοκίμασαν το μοντέλο χρησιμοποιώντας δεδομένα ασθενών από τον πραγματικό κόσμο από άλλους 600 συμμετέχοντες από την αμερικανική cohort και - πράγμα σημαντικό - διαχρονικά δεδομένα από 900 άτομα από κλινικές μνήμης στο Ηνωμένο Βασίλειο και τη Σιγκαπούρη.

Ο αλγόριθμος ήταν σε θέση να διακρίνει μεταξύ των ατόμων με σταθερή ήπια γνωστική εξασθένηση και εκείνων που εξελίχθηκαν σε νόσο Αλτσχάιμερ εντός τριετίας. Ήταν σε θέση να εντοπίσει σωστά τα άτομα που προχώρησαν στην ανάπτυξη της νόσου Αλτσχάιμερ στο 82% των περιπτώσεων και να εντοπίσει σωστά εκείνα που δεν προχώρησαν στο 81% των περιπτώσεων μόνο από τα γνωστικά τεστ και τη μαγνητική τομογραφία.

Ο αλγόριθμος ήταν περίπου τρεις φορές πιο ακριβής στην πρόβλεψη της εξέλιξης της νόσου Αλτσχάιμερ από ό,τι το σημερινό πρότυπο περίθαλψης, δηλαδή οι συνήθεις κλινικοί δείκτες (όπως η ατροφία της φαιάς ουσίας ή οι γνωστικές βαθμολογίες) ή η κλινική διάγνωση. Αυτό δείχνει ότι το μοντέλο θα μπορούσε να μειώσει σημαντικά τις λανθασμένες διαγνώσεις.

Το μοντέλο επέτρεψε επίσης στους ερευνητές να διαστρωματώσουν τα άτομα με νόσο Αλτσχάιμερ χρησιμοποιώντας δεδομένα από την πρώτη επίσκεψη κάθε ατόμου στην κλινική μνήμης σε τρεις ομάδες: σε εκείνους των οποίων τα συμπτώματα θα παρέμεναν σταθερά (περίπου το 50% των συμμετεχόντων), σε εκείνους που θα εξελίσσονταν αργά σε Αλτσχάιμερ (περίπου το 35%) και σε εκείνους που θα εξελίσσονταν ταχύτερα (το υπόλοιπο 15%). Οι προβλέψεις αυτές επικυρώθηκαν κατά την εξέταση των δεδομένων παρακολούθησης επί 6 έτη. Αυτό είναι σημαντικό, καθώς θα μπορούσε να βοηθήσει στον εντοπισμό των ατόμων εκείνων που βρίσκονται σε αρκετά πρώιμο στάδιο ώστε να επωφεληθούν από νέες θεραπείες, ενώ παράλληλα θα μπορούσε να εντοπίσει τα άτομα εκείνα που χρειάζονται στενή παρακολούθηση, καθώς η κατάστασή τους είναι πιθανό να επιδεινωθεί ραγδαία.

Είναι σημαντικό ότι το 50% των ατόμων που έχουν συμπτώματα όπως απώλεια μνήμης αλλά παραμένουν σταθερά, θα ήταν καλύτερο να κατευθυνθούν σε διαφορετική κλινική πορεία, καθώς τα συμπτώματά τους μπορεί να οφείλονται σε άλλα αίτια και όχι στην άνοια, όπως άγχος ή κατάθλιψη.

Η επικεφαλής συγγραφέας καθηγήτρια Zoe Kourtzi από το Τμήμα Ψυχολογίας του Πανεπιστημίου του Cambridge δήλωσε: «Δημιουργήσαμε ένα εργαλείο το οποίο, παρά το γεγονός ότι χρησιμοποιεί μόνο δεδομένα από γνωστικά τεστ και μαγνητικές τομογραφίες, είναι πολύ πιο ευαίσθητο από τις τρέχουσες προσεγγίσεις στην πρόβλεψη του κατά πόσον κάποιος θα εξελιχθεί από ήπια συμπτώματα σε νόσο Αλτσχάιμερ - και αν ναι, κατά πόσον η εξέλιξη αυτή θα είναι γρήγορη ή αργή.

«Αυτό έχει τη δυνατότητα να βελτιώσει σημαντικά την ευημερία των ασθενών, δείχνοντάς μας ποιοι άνθρωποι χρειάζονται στενότερη φροντίδα, ενώ παράλληλα αφαιρεί το άγχος για εκείνους τους ασθενείς που προβλέπουμε ότι θα παραμείνουν σταθεροί. Σε μια εποχή έντονης πίεσης στους πόρους της υγειονομικής περίθαλψης, αυτό θα συμβάλει επίσης στην εξάλειψη της ανάγκης για περιττές επεμβατικές και δαπανηρές διαγνωστικές εξετάσεις».

Ενώ οι ερευνητές δοκίμασαν τον αλγόριθμο σε δεδομένα από μια ερευνητική ομάδα, επαληθεύτηκε με τη χρήση ανεξάρτητων δεδομένων που περιλάμβαναν σχεδόν 900 άτομα που παρακολούθησαν κλινικές μνήμης στο Ηνωμένο Βασίλειο και τη Σιγκαπούρη. Στο Ηνωμένο Βασίλειο, οι ασθενείς προσλήφθηκαν μέσω της μελέτης Quantiative MRI in NHS Memory Clinics (QMIN-MC) με επικεφαλής τον συν-συγγραφέα της μελέτης Dr Timothy Rittman στο Cambridge University Hospitals NHS Trust και στα Cambridgeshire and Peterborough NHS Foundation Trusts (CPFT).

Οι ερευνητές λένε ότι αυτό δείχνει ότι θα πρέπει να είναι εφαρμόσιμη σε έναν πραγματικό κόσμο ασθενών, σε κλινικό περιβάλλον.

Ο Dr. Ben Underwood, επίτιμος σύμβουλος ψυχίατρος στο CPFT και επίκουρος καθηγητής στο Τμήμα Ψυχιατρικής του Πανεπιστημίου του Cambridge, δήλωσε: «Τα προβλήματα μνήμης είναι συνηθισμένα καθώς μεγαλώνουμε. Στην κλινική βλέπω πώς η αβεβαιότητα σχετικά με το αν αυτά μπορεί να είναι τα πρώτα σημάδια άνοιας μπορεί να προκαλέσει μεγάλη ανησυχία στους ανθρώπους και τις οικογένειές τους, καθώς και να απογοητεύσει τους γιατρούς που θα προτιμούσαν πολύ να δώσουν οριστικές απαντήσεις. Το γεγονός ότι μπορούμε ίσως να μειώσουμε αυτή την αβεβαιότητα με πληροφορίες που ήδη έχουμε είναι συναρπαστικό και είναι πιθανό να γίνει ακόμη πιο σημαντικό καθώς εμφανίζονται νέες θεραπείες».

Ο καθηγητής Κουρτζή δήλωσε: «Ο κ: «Τα μοντέλα τεχνητής νοημοσύνης είναι τόσο καλά όσο τα δεδομένα στα οποία εκπαιδεύονται. Για να βεβαιωθούμε ότι το δικό μας έχει τη δυνατότητα να υιοθετηθεί σε ένα περιβάλλον υγειονομικής περίθαλψης, το εκπαιδεύσαμε και το δοκιμάσαμε σε δεδομένα που συλλέγονται συνήθως όχι μόνο από ερευνητικές ομάδες, αλλά και από ασθενείς σε πραγματικές κλινικές μνήμης. Αυτό δείχνει ότι θα μπορεί να γενικευτεί σε ένα περιβάλλον πραγματικού κόσμου».

Η ομάδα ελπίζει τώρα να επεκτείνει το μοντέλο της σε άλλες μορφές άνοιας, όπως η αγγειακή άνοια και η μετωποκροταφική άνοια, και χρησιμοποιώντας διαφορετικούς τύπους δεδομένων, όπως δείκτες από εξετάσεις αίματος.

Ο καθηγητής Kourtzi πρόσθεσε: «Αν πρόκειται να αντιμετωπίσουμε την αυξανόμενη πρόκληση για την υγεία που παρουσιάζει η άνοια, θα χρειαστούμε καλύτερα εργαλεία για τον εντοπισμό και την παρέμβαση στο συντομότερο δυνατό στάδιο. Το όραμά μας είναι να επεκτείνουμε το εργαλείο τεχνητής νοημοσύνης που διαθέτουμε για να βοηθήσουμε τους κλινικούς γιατρούς να αναθέσουν στο σωστό άτομο τη σωστή στιγμή τη σωστή διαγνωστική και θεραπευτική πορεία. Το εργαλείο μας μπορεί να βοηθήσει στην αντιστοίχιση των σωστών ασθενών σε κλινικές δοκιμές, επιταχύνοντας την ανακάλυψη νέων φαρμάκων για θεραπείες που τροποποιούν τη νόσο».

Το έργο αυτό έγινε σε συνεργασία με διεπιστημονική ομάδα, στην οποία συμμετείχαν ο καθηγητής Peter Tino στο Πανεπιστήμιο του Μπέρμιγχαμ και ο καθηγητής Christopher Chen στο Εθνικό Πανεπιστήμιο της Σιγκαπούρης. Χρηματοδοτήθηκε από το Wellcome, τη Royal Society, το Alzheimer's Research UK, το Alzheimer's Drug Discovery Foundation Diagnostics Accelerator, το Alan Turing Institute και το National Institute for Health and Care Research Cambridge Biomedical Research Centre.

Πηγή: Artificial intelligence outperforms clinical tests at predicting progress of Alzheimer’s disease