پژوهشگران دانشگاه بوستون، یک مدل محاسباتی جدید ابداع کرده‌اند که می‌تواند با بررسی صدای ضبط شده افراد، امکان ابتلای آنها به آلزایمر را پیش‌بینی کند.
تشخیص بیماری آلزایمر، به زمان و هزینه زیادی نیاز دارد. پزشکان پس از انجام دادن معاینات عصبی و روانشناختی شخصی‌سازی‌شده طولانی باید هر پاسخ را همراه با جزئیات بررسی کنند. پژوهشگران دانشگاه بوستون (Boston University)، مدل محاسباتی جدیدی را ابداع کرده‌اند که می‌تواند این فرآیند را خودکار کند و در نهایت به آن امکان دهد تا به صورت آنلاین کار کند. این مدل محاسباتی مبتنی بر یادگیری ماشینی می‌تواند اختلالات شناختی را از صداهای ضبط شده در آزمایش‌های عصبی و روانشناختی تشخیص دهد؛ بدون این که نیازی به ملاقات حضوری باشد.
ایوانیس پاشالیدیس (Ioannis Paschalidis)، استاد مهندسی دانشگاه بوستون و از پژوهشگران این پروژه گفت: این روش، ما را یک قدم به مداخله زودهنگام نزدیک‌تر می‌کند. تشخیص سریع‌تر آلزایمر می‌تواند به آزمایش‌های بالینی بزرگتری بیانجامد که روی افراد در مراحل اولیه بیماری آنها تمرکز دارند و مداخلات بالینی را ممکن می‌سازند تا زوال شناختی را کاهش دهند. این مدل محاسباتی می‌تواند اساس یک برنامه آنلاین باشد که همه به آن دسترسی دارند و می‌توان آن را گسترش داد تا تعداد افرادی که به موقع غربالگری می‌شوند، افزایش یابد.
این گروه پژوهشی، مدل خود را با استفاده از صداهای ضبط شده طی مصاحبه‌های عصبی و روانشناختی آموزش دادند که از بیش از ۱۰۰۰ نفر و در یک پروژه بلندمدت به سرپرستی دانشگاه بوستون به دست آمده بود. آنها با استفاده از برنامه‌های خودکار تشخیص و یک روش یادگیری ماشینی به نام «پردازش زبان طبیعی» که به رایانه‌ها کمک می‌کند تا متن را بفهمند، از برنامه خود خواستند تا مصاحبه‌ها را رونویسی کند و سپس آنها را به صورت اعدادی رمزگذاری کند. مدل نهایی برای ارزیابی احتمال و شدت اختلال شناختی یک شخص، با استفاده از داده‌های جمعیت‌شناختی، رمزگذاری متن و تشخیص‌های واقعی آموزش داده شد که توسط متخصصان اعصاب و روانشناسان به دست آمده بودند.
پاشالیدیس ادامه داد: این مدل نه تنها قادر بود بین افراد سالم و افراد مبتلا به زوال عقل به طور دقیق تمایز قائل شود، بلکه تفاوت بین افراد دارای اختلال شناختی خفیف و زوال عقل را نیز تشخیص داد. نهایتا معلوم شد که کیفیت صدا و نحوه صحبت کردن افراد، اعم از این که صحبت‌های آنها تند یا متزلزل باشد، اهمیت کمتری نسبت به محتوای آنچه می‌گویند دارد.
وی افزود: این موضوع ما را شگفت‌زده کرد که جریان گفتار یا سایر ویژگی‌های صوتی، آن‌قدرها مهم نیستند. شما می‌توانید مصاحبه‌ها را به طور خودکار و به خوبی رونویسی کنید و برای ارزیابی اختلالات شناختی، به تجزیه و تحلیل متن از طریق هوش مصنوعی تکیه داشته باشید.
غربالگری پیش از آغاز نشانه‌ها
همچنین این مدل، بینشی را در مورد این موضوع ارائه می‌دهد که چه بخش‌هایی از معاینه عصب-روانشناختی ممکن است در تعیین این که آیا یک فرد دچار اختلال در شناخت است، مهم‌تر از سایرین باشند. این مدل محاسباتی، رونوشت‌های مبتنی بر آزمایش‌های بالینی را به بخش‌های مختلفی تقسیم می‌کند. به عنوان مثال، پژوهشگران دریافتند که آزمایش نامگذاری بوستون (Boston Naming Test) که طی آن پزشکان از افراد می‌خواهند تا با استفاده از یک کلمه برچسب‌گذاری کنند، برای تشخیص دقیق زوال عقل، بسیار آموزنده است. پاشالیدیس گفت: این مدل ممکن است پزشکان را قادر سازد تا منابع را به گونه‌ای تخصیص دهند که امکان غربالگری بیشتری را حتی پیش از شروع علائم، برای آنها فراهم کند.
تشخیص زودهنگام زوال عقل نه تنها برای بیماران و مراقبان آنها مهم است تا بتوانند برنامه‌ای موثر برای درمان و حمایت ایجاد کنند، بلکه برای پژوهشگرانی که روی درمان‌هایی برای کند کردن و جلوگیری از پیشروی بیماری آلزایمر کار می‌کنند نیز بسیار مهم است.
پاشالیدیس اضافه کرد: مدل‌های ما می‌توانند به پزشکان کمک کنند تا بیماران را از نظر شانس ابتلا به زوال شناختی ارزیابی کنند و سپس با انجام دادن آزمایش‌های بیشتر روی افرادی که احتمال زوال عقل در آنها بالاتر است، بهترین منابع درمانی را برای آنها به کار بگیرند.
این گروه پژوهشی به دنبال داوطلبانی هستند که در یک نظرسنجی آنلاین شرکت کنند و یک آزمایش شناختی را پشت سر بگذارند. نتایج این پژوهش، برای ارائه ارزیابی‌های شناختی شخصی‌سازی‌شده استفاده می‌شوند و به پژوهشگران کمک می‌کنند تا مدل هوش مصنوعی خود را اصلاح کنند.
این پژوهش، در مجله "Alzheimer's & Dementia" به چاپ رسید.