تأخير الخرف بشكل فعال: وجدت جامعة يونسي أن نموذج آلة تعزيز التدرج يمكنه التنبؤ بدقة بمتلازمة BPSD الفرعية

المحتويات في لمحة:مع استمرار تقدم السكان في السن، أصبح الخرف مشكلة صحية عامة. وفي الوقت الحاضر، لا يستطيع المجتمع الطبي علاج هذا المرض إلا بالأدوية لتخفيف الأعراض، ولم يتم العثور على علاج فعال له حتى الآن. ومن ثم، فإن الوقاية من الخرف أمر ملح بشكل خاص. وعلى هذه الخلفية، قام باحثون من جامعة يونسي بتطوير وإثبات صحة العديد من نماذج التعلم الآلي للتنبؤ باضطراب الشخصية الحدية. وأظهرت النتائج التجريبية أن التعلم الآلي يمكنه التنبؤ بشكل فعال بمتلازمات BPSD الفرعية.

الكلمات المفتاحية:جهاز تعزيز التدرج لمرض الخرف BPSD

نُشرت هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~

في الوقت الحاضر، يعاني أكثر من 550 مليون شخص في جميع أنحاء العالم من الخرف (مرض الزهايمر هو النوع الأكثر شيوعا)، مع ما يقرب من 10 ملايين حالة جديدة كل عام.ومع استمرار تقدم السكان في السن، من المتوقع أن يتضاعف هذا العدد ثلاث مرات بحلول عام 2050. والخرف هو مرض يصيب الدماغ ويؤدي إلى انخفاض بطيء في ذاكرة الشخص وقدراته على التفكير والاستدلال. ويصيب هذا المرض كبار السن بشكل رئيسي، ويعد أحد الأسباب الرئيسية لفقدان الاستقلالية بين كبار السن. ويحتل المرتبة السابعة بين الأسباب الرئيسية للوفاة في العالم (مرتبة حسب العدد الإجمالي للوفيات)، مع كون الأمراض الثلاثة الأولى هي مرض القلب الإقفاري والسكتة الدماغية ومرض الانسداد الرئوي المزمن.

عادة، يعاني المرضى المصابون بالخرف من مجموعة من الأعراض السلوكية والنفسية (BPSD) مثل الانفعال والعدوانية واللامبالاة والاكتئاب، بالإضافة إلى ضعف الإدراك.تعتبر هذه الأعراض من أكثر القضايا تعقيدًا وتحديًا في رعاية مرضى الخرف. إنها لا تمنع المرضى من العيش بشكل مستقل فحسب، بل تفرض أيضًا عبئًا كبيرًا على مقدمي الرعاية.

في الآونة الأخيرة، قام الباحثون Eunhee Cho وآخرون من جامعة يونسي في كوريا الجنوبية بتطوير وإثبات صحة العديد من نماذج التعلم الآلي للتنبؤ باضطراب BPSD.نُشرت الدراسة في مجلة التقارير العلمية تحت عنوان "نماذج تنبؤية تعتمد على التعلم الآلي لحدوث الأعراض السلوكية والنفسية للخرف: تطوير النموذج والتحقق من صحته".

   وقد نشرت نتائج البحث في التقارير العلمية

عنوان الورقة:

https://www.nature.com/articles/s41598-023-35194-5

مجموعة البيانات

جمعت هذه الدراسة البيانات في ثلاث دفعات، باستخدام معلومات من 187 مريضًا مصابًا بالخرف لتدريب النموذج، ومعلومات من 35 مريضًا آخرين للتحقق الخارجي. وكانت عملية جمع البيانات الثانية عبارة عن قياس متكرر للمشاركين في عملية جمع البيانات الأولى، بينما كانت عملية جمع البيانات الثالثة عبارة عن تجنيد مشاركين جدد للقياس. في الدراسة،يتم استخدام البيانات التي تم جمعها في المرة الأولى والثانية كمجموعات تدريب، ويتم استخدام مجموعة البيانات التي تم جمعها في المرة الثالثة كمجموعة اختبار.

من أجل جمع معلومات شاملة عن خصائص المشاركين،قام الباحثون أولاً بالتحقيق في بياناتهم الصحية (العمر والجنس والحالة الاجتماعية وما إلى ذلك) وأنواع الشخصية قبل ظهور المرض (مقياس الشخصية الخمس الكبرى الكوري BFI-K).ثانيًا، تم استخدام جهاز قياس النشاط لمراقبة مستويات النوم والنشاط أثناء الليل، وأخيرًا تم استخدام مذكرات الأعراض لتسجيل محفزات الأعراض التي يشعر بها مقدمو الرعاية (الجوع / العطش، التبول / التغوط، الألم، الأرق، الضوضاء، إلخ) واضطرابات التنفس الانتيابي الاثني عشر التي تحدث يوميًا لدى المرضى. أيضًا،وتنقسم هذه الأعراض أيضًا إلى 7 متلازمات فرعية.يوضح الشكل أدناه تمثيلًا مرئيًا لتسجيل بيانات مسجل النشاط البدني ومذكرات الأعراض.

الجدول 1:إحصائيات مسجلات النشاط البدني ومذكرات الأعراض

SD:الانحراف المعياري

تي إس تي:إجمالي وقت النوم

واسو:وقت الاستيقاظ بعد النوم

لا يوجد:عدد مرات الاستيقاظ

مال:وقت الاستيقاظ

ميتس:المكافئ الأيضي

القيمة السوقية الفعلية:النشاط البدني المعتدل إلى القوي

BPSD:الأعراض السلوكية والنفسية للخرف

أسباب أخرى:محفزات اضطراب الشخصية الحدية الأخرى التي يدركها مقدم الرعاية (العلاج، الكوابيس، وما إلى ذلك)

ومع ذلك، بسبب أسباب مثل عدم امتثال المشاركين أو ارتداء الجهاز بشكل غير صحيح، كانت بيانات مسجل النشاط مفقودة. وبحسب الإحصائيات، بلغت نسبة الأشخاص الذين لديهم بيانات مفقودة 36% من إجمالي عدد المشاركين، بمتوسط 0.9 يوم من البيانات المفقودة لكل شخص. لذلك،تم تطبيق الاستنباط المتعدد المتغيرات باستخدام معادلات متسلسلة للتعامل مع هذه البيانات المفقودة.

الإجراءات التجريبية

قام الباحثون بتدريب أربعة نماذج لتحديد أفضل نموذج للتنبؤ بكل متلازمة فرعية. وبناءً على النتائج، قد يتمكن الباحثون من تطبيق هذه النماذج على المراقبة السريرية والتنبؤ بمتلازمات BPSD الفرعية.وفي الوقت نفسه، يتم إجراء التدخلات بشأن العوامل المحتملة التي تؤثر على اضطراب BPSD لتحقيق خدمات رعاية الخرف التي تركز على المريض. بالإضافة إلى ذلك، يمكن تضمين خوارزميات التعلم الآلي في تطبيقات الهواتف الذكية لزيادة قيمتها بشكل أكبر.

أداء النموذج 

استخدم الباحثون أربع خوارزميات للتعلم الآلي، بما في ذلك الانحدار اللوجستي، والغابة العشوائية، وآلة تعزيز التدرج، وآلة الدعم المتجه.تم تقييم أداء النموذج من خلال خوارزميات التعلم الفريدة الخاصة بكل منهما، وتم اختيار أفضل نموذج للتنبؤ بمتلازمات BPSD الفرعية.هنا، يعد نموذج الانحدار اللوجستي هو الأكثر شيوعًا ونضجًا، لذا يتم استخدامه كنموذج معياري للحكم على تحسن أداء التعلم الآلي.

بناءً على مجموعة التدريب، ومن خلال التحقق المتبادل الخماسي،يظهر أداء النماذج المختلفة في التنبؤ بمتلازمات BPSD الفرعية في الشكل التالي:

الجدول 2: أداء نماذج مختلفة في التنبؤ بمتلازمات BPSD الفرعية بناءً على مجموعة التدريب

الجامعة الأمريكية بالقاهرة:المساحة تحت منحنى ROC

LR:نموذج الانحدار اللوجستي

التردد اللاسلكي:نموذج الغابة العشوائية

GBM:نموذج آلة تعزيز التدرج

SVM:نموذج آلة الدعم المتجه

منحنى ROC:منحنى ROC (منحنى خصائص تشغيل المستقبل) هو أداة رسومية لتصوير أداء المصنف.

قيمة AUC:تمثل قيمة AUC (المساحة تحت المنحنى) المساحة الموجودة أسفل منحنى ROC ويتم استخدامها لقياس أداء المصنف. كلما اقتربت قيمة AUC من 1، كان أداء المصنف أفضل.

ويبين الجدول 2 أنأظهر نموذج آلة تعزيز التدرج قيم AUC أعلى في التنبؤ باضطراب فرط الحركة ونقص الانتباه (0.706)، والأعراض العاطفية (0.747)، واضطرابات الأكل (0.816)؛أظهر نموذج آلة الدعم المتجه أعلى قيمة AUC (0.706) في التنبؤ بالأعراض النفسية؛ كان نموذج الغابة العشوائية له أعلى قيمة AUC (0.942) في التنبؤ بالنوم والسلوك الليلي؛ وكان نموذج الانحدار اللوجستي أعلى قيمة AUC في التنبؤ بسلوك النشاط غير الطبيعي (0.822) والنشوة المرضية (النشوة / البهجة، 0.696).

التحقق من صحة النموذج 

استخدم الباحثون طريقة التحقق الخارجية للتحقق من صحة النموذج على مجموعة البيانات الثالثة التي تم جمعها.استنادًا إلى مجموعة الاختبار، يظهر أداء النماذج المختلفة في التنبؤ بالمتلازمات الفرعية لاضطراب BPSD في الشكل التالي:

الجدول 3: أداء نماذج مختلفة في التنبؤ بمتلازمة BPSD الفرعية بناءً على مجموعة بيانات الاختبار

الجامعة الأمريكية بالقاهرة:المساحة تحت منحنى ROC

LR:نموذج الانحدار اللوجستي

التردد اللاسلكي:نموذج الغابة العشوائية

GBM:نموذج آلة تعزيز التدرج

SVM:نموذج آلة الدعم المتجه

ويبين الجدول 3 أنبالمقارنة مع نموذج الانحدار اللوجستي، فإن نموذج التعلم الآلي يعمل بشكل أفضل.. على وجه التحديد، بالنسبة لمعظم المتلازمات الفرعية، فإن أداء نماذج الغابات العشوائية ونماذج تعزيز التدرج أفضل من أداء نماذج الانحدار اللوجستي ونماذج دعم المتجهات؛ يتمتع نموذج الغابة العشوائية بقيمة AUC أعلى من نماذج التنبؤ الأخرى في التنبؤ باضطراب فرط الحركة ونقص الانتباه (0.835)، والنشوة المرضية (0.968)، واضطرابات الأكل (0.888)؛ يحتوي نموذج آلة تعزيز التدرج على قيمة AUC أعلى من نماذج التنبؤ الأخرى في التنبؤ بالأعراض النفسية (0.801)؛ يحتوي نموذج آلة الدعم المتجه على أعلى قيمة AUC في سلوك النوم والليل (0.929).

وبدمج المعلومات من الرسم البيانيين، وجد الباحثون أنه من حيث التنبؤ بـ 7 متلازمات فرعية،يتمتع نموذج آلة تعزيز التدرج بأعلى قيمة AUC متوسطة، مما يعني أنه يعمل بشكل أفضل.وفي الوقت نفسه، ذكّر الباحثون أيضًا بأنه عندما يكون حجم العينة لمجموعة بيانات الاختبار صغيرًا، فيجب استنتاج نتائج أداء التنبؤ بحذر.ومن المقترح إجراء تجارب متكررة مع أحجام عينات أكبر في المستقبل للحصول على نتائج تنبؤ أكثر دقة.

الإنجازات المحلية: التنبؤ بظهور الخرف قبل عشر سنوات

وفيما يتعلق بالتنبؤ بالخرف، فبالإضافة إلى الدول الأجنبية، حققت الصين أيضًا نتائج ملحوظة.في سبتمبر/أيلول الماضي، قام فريق البحث السريري للدكتور يو جينتاي، كبير الأطباء في قسم الأعصاب في مستشفى هواشان التابع لجامعة فودان، بالتعاون مع فريق الخوارزمية للأستاذ فينج جيانفينج والباحث الشاب تشنغ وي من معهد علوم وتكنولوجيا الذكاء المستوحى من الدماغ بجامعة فودان، بتطوير نموذج التنبؤ بالخرف UKB-DRP.

يمكن للنموذج التنبؤ بما إذا كان الفرد سيصاب بالمرض خلال السنوات الخمس أو العشر القادمة أو حتى لفترة أطول.فحص الأشخاص في المراحل المبكرة من الخرف، بما في ذلك الخرف متعدد الأسباب وأنواعه الفرعية الرئيسية (مثل مرض الزهايمر). وتم نشر نتائج البحث في مجلة Electronic Clinical Medicine، وهي مجلة تابعة لمجلة The Lancet.

عنوان الورقة:

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext

وتظهر نتيجة هذا البحث أيضًا قوة الابتكار ومستوى البحث العلمي في البلاد في مجال التنبؤ بالخرف. وفي المستقبل، ومع مشاركة المزيد من المؤسسات وفرق البحث، وتراكم بيانات أكثر شمولاً وتنوعاً، نتوقع أن نرى المزيد من التعاون والتقدم في الداخل والخارج.بفضل قوة الذكاء الاصطناعي وتحليل البيانات الضخمة، يمكننا تقديم مساهمات أكبر في الوقاية من الخرف وعلاجه وإدارته، وإضفاء المزيد من الأمل والرفاهية للمرضى وأسرهم.