Un nou cadru AI îmbunătățește depistarea precoce a bolii Parkinson
O echipă de cercetători de la Rensselaer Polytechnic Institute (RPI) a dezvoltat un model de inteligență artificială destinat să eficientizeze și să îmbunătățească screeningul pentru boala Parkinson (PD), astfel încât medicii să poată trimite pacienții pentru teste în stadiu incipient.
Într-un articol publicat în Nature Aging, echipa condusă de Pingkun Yan, Ph.D., a explicat cum sistemul lor Quest2Dx AI a reușit să analizeze chestionare de sănătate extinse cu o acuratețe mai mare decât alte modele în ceea ce privește semnele timpurii ale bolii Parkinson.
Diagnosticul bolii Parkinson se bazează pe observația și măsurarea simptomelor motorii, dar și pe proceduri invazive, inclusiv puncții spinale. Totuși, boala poate fi prezentă timp de ani de zile înainte ca simptomele fizice să apară.
„Pacienții cu boala Parkinson sunt adesea trimiși la specialiști destul de târziu. Am construit acest model AI pentru a depista cazurile potențiale mai devreme”, a declarat Pingkun Yan, Ph.D.
Observația vizuală a fost o parte a procesului diagnostic încă din 1817, când medicul britanic James Parkinson a publicat un eseu semnificativ pe această temă, bazat pe observarea persoanelor care se plimbau printr-un parc din Londra. Tehnologia medicală a avansat, dar aspectul vizual nu s-a schimbat semnificativ.
Yan și colegii săi, inclusiv Juergen Hahn, Ph.D., și Diego Machado Reyes, nu încearcă să diagnosticheze PD, ci să depisteze pacienții care ar putea avea nevoie de teste cu ani înainte ca simptomele fizice observate cu mai bine de 200 de ani în urmă să devină evidente.
Printre simptomele care indică stadiul incipient al bolii Parkinson se numără pierderea mirosului, tulburările de somn, dificultățile de scriere și modificările de dispoziție. Potrivit autorilor, atât pacienții, cât și îngrijitorii ar putea considera aceste condiții minore, întârziind astfel trimiterile către neurologi cu ani de zile.
„Detectarea timpurie și tratamentul ar fi mai fezabile dacă AI ar putea analiza chestionarele de sănătate în căutarea semnelor de Parkinson”, au adăugat autorii, care includ și un profesor de bioinformatică de la Universitatea din Pennsylvania, Li Shen, Ph.D.
Clinicile de îngrijire primară oferă frecvent chestionare de sănătate pentru screeningul multor boli, dar de cele mai multe ori acestea sunt atât de detaliate și complicate, încât furnizorii de servicii medicale ar putea ignora semnele subtile legate de boala Parkinson și alte afecțiuni.
Datele pentru antrenarea modelului Quest2Dx au provenit din baza de date a Parkinson’s Precision Medicine Initiative (PPMI), un efort public-privat susținut de Michael J. Fox Foundation pentru cercetarea bolii Parkinson și altele. Studiul Fox Insight a furnizat un al doilea set de date utilizat pentru validarea modelului.
Chestionarul PPMI studiat de echipa condusă de RPI conține 187 de întrebări, iar Fox Insight are un chestionar cu peste 300 de itemi. Ambele necesită mult timp pentru a fi completate, iar pacienții adesea sar peste întrebări.
Cercetătorii au menționat că chestionarele de sănătate nu sunt foarte prietenoase pentru analiza AI, deoarece algoritmii tipici de învățare automată încearcă să completeze răspunsurile omise printr-un proces numit imputare. Aceasta poate duce la erori, făcând mai dificil pentru AI identificarea modelelor ascunse.
Modelele convenționale pot eșua și atunci când întrebările sunt reformulate sau reordonate, deoarece acestea învață poziția fiecărei întrebări, mai degrabă decât semnificația acesteia.
Cadrele de învățare profundă Quest2Dx au fost concepute pentru a diferenția între persoanele cu simptome de Parkinson și un grup de control alcătuit din respondenți sănătoși.
De asemenea, a fost construit pentru a aborda trei „provocări tehnice cheie”, după cum au scris cercetătorii. Acesta poate lucra în jurul răspunsurilor lipsă, poate colabora cu chestionare multiple cu formulări diferite, chiar dacă a fost antrenat pe una singură, și este capabil să calculeze cele mai relevante perechi de întrebări și răspunsuri pentru fiecare pacient în parte.
„Am folosit un model de limbaj de mari dimensiuni pentru a înțelege semnificația și contextul fiecărei întrebări și răspunsuri”, a explicat Yan. „Am folosit modelul AI pentru a citi acele întrebări, a citi răspunsurile și apoi a clasifica dacă pacientul poate sau nu avea boala Parkinson”, a adăugat el.
Analiza descrisă în articol a arătat că Quest2Dx depășește modelele anterioare, inclusiv o abordare bazată pe modelul de limbaj de mari dimensiuni Llama 2.
Întrebările pe care Quest2Dx le-a clasificat ca fiind cele mai informative includ dificultăți în realizarea sarcinilor comune, cum ar fi ridicarea din pat și mâncatul, precum și factori de risc pentru Parkinson, cum ar fi expunerea la solvenți industriali și degresanți.
Alte predictori potențiali ai bolii Parkinson includ tulburarea comportamentului REM în somn, anxietatea și sentimentele crescute de tensiune sau stres. Aceste condiții se suprapun, de asemenea, cu multe alte boli, astfel încât niciun răspuns singular nu este diagnostic pe cont propriu. Expunerea la solvenți, de exemplu, „devine relevantă atunci când este considerată împreună cu alte semne timpurii”, au scris autorii, subliniind importanța evaluării mai multor factori împreună.
Ca parte a analizei lor, cercetătorii au creat un sondaj mai țintit cu cele 30 de întrebări cele mai pertinente, așa cum au fost identificate de Quest2Dx, iar modelul AI s-a dovedit aproape la fel de precis în predicția bolii Parkinson ca și cu chestionarele complete.
„Aceste descoperiri vor ajuta la conceperea unor chestionare simplificate pentru screeningul PD, deschizând drumul pentru un instrument care poate fi adoptat în studii viitoare și utilizat în cadrul îngrijirii primare pentru a permite diagnosticarea timpurie și tratamentul oportun al pacienților”, conform autorilor.
Yan și colegii săi au considerat aceasta o problemă de sănătate publică, având în vedere îmbătrânirea populației, deoarece vârsta este un factor de risc esențial pentru Parkinson. „Prin urmare, există o nevoie critică de a dezvolta metode de diagnosticare timpurie noninvazive și ușor accesibile care să poată fi adaptate fără probleme practicilor actuale în cadrul îngrijirii primare pentru a identifica PD înainte de a apărea deteriorarea motorie extinsă”, au scris ei.
Modelul Quest2Dx necesită în continuare perfecționare, deoarece poate produce atât false pozitive, cât și false negative. Totuși, pe măsură ce îmbunătățesc modelul, Yan și colegii săi cred că acesta ar putea fi adaptat pentru a depista multe alte afecțiuni, inclusiv boli cardiovasculare.
„Rezultatele promițătoare ale Quest2Dx pun o bază solidă pentru dezvoltarea modelelor de screening bazate pe AI, bazate pe date auto-raportate, cu potențialul de a îmbunătăți semnificativ diagnosticarea timpurie și accesibil
