Forudsigelse af Alzheimers med hjælp fra AI

En nylig undersøgelse offentliggjort af Alzheimer’s Association kaster lys over en ny tidlig påvisningsmetode, der kan hjælpe med at redde millioner af liv. Undersøgelsen undersøger brugen af AI i automatiserede forudsigelsesprotokoller kombineret med stemmeskanningsmetoder for nøjagtigt at bestemme progression fra Mild Cognitive Impairment (MCI) til Alzheimer’s Disease (AD) inden for et 6‑årigt vindue. Her er, hvad du behøver at vide.

Alzheimers & Demens

Alle, der har levet med eller hjulpet en pårørende med Alzheimers & demens, kan bevidne situationens vanskeligheder. Bemærkelsesværdigt er Alzheimer’s Disease den primære årsag til demens globalt. Det er en progressiv hjernesygdom, der forværrer en persons mentale evner over tid. Processen er gradvis, med symptomer der udvikler sig fra simpel glemsomhed til hukommelsestab, desorientering, selvforsømmelse og tab af tale. Desuden har patienter, der lider af MCI, en meget højere sandsynlighed for at udvikle Alzheimer’s Disease.

Fakta om Alzheimers sygdom

Alzheimer’s Disease er den 6. største dødsårsag blandt amerikanere og forbliver en stor bekymring globalt. En undersøgelse fra 2023 fandt, at over 6,7 millioner amerikanere lider af denne sygdom, som kan gøre patienterne ude af stand til at tage sig af sig selv, genkende deres familiemedlemmer eller udføre nødvendige daglige opgaver.

Desværre pegede forskningen også på øgede risici i fremtiden. Den forudsagde, at 13,8 millioner amerikanske borgere vil lide af sygdommen inden 2060. Disse faktorer har fået mange forskere til at søge løsninger og forebyggelsesmetoder for at hjælpe med at reducere disse risici, potentielt redde mange liv.

AD-patologi

AD-patologi er et udtryk, der refererer til, hvordan hjernen begynder at nedbrydes under sygdommens vægt. Nutidens metoder kræver udførelse af neuropsykologiske tests (NPT’er), som gør det muligt for sundhedsprofessionelle at overvåge niveauer af beta‑amyloidpeptider (Aβ), hyperfosforyleret tau‑protein, reaktive astrocytter, mikroglial aktivering og andre biomarkører. Alle disse faktorer kan indikere kronisk inflammation og andre problemer forbundet med begyndelsen af AD.

Nuværende begrænsninger ved AD-patologi

Disse metoder til at bestemme en patients AD‑risiko har nogle betydelige ulemper. For det første er de dyre. Hver test kan koste tusinder, hvilket gør den kun tilgængelig for dem med forsikring eller adgang til finansiering. Derudover er disse metoder ofte invasive. Når du skal skære i huden, stiger risikoen for infektioner og andre komplikationer.

Fremtiden for AD-detektion er stemmebaseret

Forskere har bemærket en direkte korrelation mellem taleforringelse og MCI. Derfor har der været meget arbejde med at dokumentere og optage disse ændringer til forskningsformål. I dag er tusindvis af timers stemmeoptagelser fra neuropsykologiske undersøgelser tilgængelige. Derudover er andre data knyttet til disse optagelser. Denne FHS‑undersøgelse er det største sæt af optagelser.

Framingham Heart Study (FHS)

Framingham Heart Study (FHS) har været i gang siden 1948. Denne langsigtede undersøgelse af kardiovaskulær sundhed undersøgte tusindvis af mænd, der havde slagtilfælde eller hjerteanfald. Dens langsigtede tilgang har gjort det muligt for forskerne at skabe 10‑30‑årige risikoforudsigelsesmodeller, som har vist sig afgørende i forebyggelse, udvikling af medicin og nu programmering af AI‑modeller.

This collaborative effort has support from the National Heart, Lung, and Blood Institute (NHLBI) and Boston University and is one of the longest and most successful cardiovascular studies ever conducted. As such, its data has helped countless medical breakthroughs and remains a powerful source of long-term health data.

Som en del af undersøgelsen blev stemmetests introduceret til dataene i 2005. Siden da har videnskabsfolk optaget tusindvis af talemønstre hos patienter før og under AD. Disse optagelser gav værdifuld indsigt i, hvordan sindet nedbrydes under AD.

Kunstig intelligens forbedrer diagnostiske metoder

AI-revolutionen har gjort det muligt for ingeniører at skabe mere avancerede og effektive tidlige advarselssystemer. I dette tilfælde blev AI Natural Language Processing (NLP) brugt til at diagnosticere sproglige træk, der signalerer kognitiv forringelse. Algoritmen kan krydsreferere millioner af datapunkter for nøjagtigt at placere patienter på en demenskala baseret på deres kommunikation.

Alzheimers & Demens-undersøgelse

Den undersøgelse anvendte NLP-teknikker sammen med maskinlæringsmetoder for at forbedre forudsagte modeller af MCI og demens. Teamet tog testinterviewoptagelser fra n + 166 Framingham Heart Study (FHS) deltagere for at skabe disse modeller. Modellerne dækkede et udvalg af muligheder, fra demografi til et fuldt spektrum af data.
En hovedforskel i forhold til tidligere forsøg var, at teamet primært fokuserede på progressionen fra MCI til AD i stedet for normal kognition. Det inkluderede 90 progressive MCI- og 76 stabile MCI-tilfælde som en del af tilgangen. Disse data blev indført i en avanceret AI-algoritme, der undersøgte nøglefaktorer.

Inddata

Systemet brugte en variation af den logistiske regressionsmodel, der udnyttede deltestresultater og TAS som sine hovedindikatorer for forudsigelse. Som en del af denne tilgang skabte teamet først et transskriberingsværktøj, der strømlinede importen af tidligere optagede Framingham Heart Study (FHS) data.

Taledata

Taledataene fra de 166 deltagere omfattede et times langt interview med hver person. Disse data var tidligere optaget og gemt digitalt, hvilket betød, at teamet skulle skabe metoder til nemt at konvertere disse data til tekst og derefter AI-modeller.

Den universelle sætningenkoder

Den universelle sætningenkoder blev designet til at reducere arbejdsbyrden ved import af FHS-data. Systemet scanner automatisk FHS-data og genererer vektorindlejringer baseret på specifikke segmenter af hver patients transkript. Denne tilgang hjælper AI med at foretage mere præcise forudsigelser, samtidig med at arbejdsbyrden reduceres.

AI-modelforbedringer

Forskningsholdet brugte disse transkripter til at skabe en kraftfuld AI-dyblæringsalgoritme. Systemet henter automatisk tilfældige data fra FHS-rapporten og udtrækker dem. Disse data blev brugt til at skabe og indkode deltestindhold. I alt blev otte specifikke indlejringer brugt til at måle AD-progression og MCI.

Logistiske regressionsmodeller

Nye AI-modeller trænet på de kvantitative data, der er forbundet med hvert deltestindhold, blev oprettet. Indholdet blev bedømt og brugt som individuelle input til modellering. Disse modeller blev derefter nedbrudt og testet for effektivitet, hvilket resulterede i en (TAS) gennemsnitlig transkript-score for hver. Disse scores og TAS gjorde det muligt for AI at overvåge MCI-progressionen nøjagtigt.

Den primære model indeholdt en række værdifulde data om deltagerne. Specifikt omfattede den demografi, APOE‑bærerstatus, sundhedsfaktorer og tekstfunktioner importeret fra FHS‑undersøgelsen. Denne model opnåede den højeste score og viste næsten 80 % nøjagtighed i bestemmelsen af AD‑udbrud inden for seks år.

Teamet testede også en model, der blot tog demografiske data om deltagerne i betragtning. Der var også en ren tekstmodel, der udnyttede FHS‑tekstinput som sin primære kilde. Bemærkelsesværdigt forudsagde den demografiske AI-model AD med 68,8 % nøjagtighed. Imponerende opnåede den mest nøjagtige model, som inkluderede alle relevante data, 79 % nøjagtighed.

Test af modellerne

Hver models præstation blev testet ved hjælp af en gruppe k‑fold krydsvalideringsmetode, der undersøgte nøglefaktorer såsom nøjagtighed, præcision, sensitivitet og specificitet. Derudover blev krydsvalidering og funktionselektions‑tests udført.

Resultater

Resultaterne af undersøgelsen er lovende. Den nye AI‑detektionmodel havde 79 % nøjagtighed i bestemmelsen af AD‑udbrud inden for 6 år. Teamet fandt, at jo flere datainput, der tilføjes, desto mere præcist kan AI bestemme en persons risiko. Således er taledata, alder, køn og uddannelsesniveau alle faktorer, der spiller en rolle i en persons risiko for at blive udsat for AD.

Fordele ved Alzheimers sygdom‑undersøgelsen

Der er nogle alvorlige fordele, som denne undersøgelse kan give den gennemsnitlige person. For det første er AI‑baserede forudsigelsesmetoder langt mere overkommelige og tilgængelige for offentligheden. Omkostningerne ved nutidens aktuelle tests inden for det profitdrevne sundhedssystem fortsætter med at stige på grund af behovet for laboratorier og prøver. Det nye AI‑system eliminerer disse behov og reducerer omkostningerne for alle deltagere betydeligt.
Desuden kan integration af et automatiseret detektionssystem hjælpe læger og sundhedsprofessionelle med mere præcist og hurtigt at ordinere behandlinger og medicin, når det er muligt. Disse forbedrede svar kan udgøre en liv‑eller‑død forskel i mange tilfælde.

Ikke‑invasiv

Denne AI‑metode til at opdage AD er ikke‑invasiv. Der er ingen grund til, at læger skal tage vævsprøver for at bestemme din AD‑progression, hvilket reducerer risikoen for infektion eller andre komplikationer.

Virksomheder, der kan drage fordel af denne undersøgelse

Flere virksomheder kunne forbedre deres produkter og tjenester ved at integrere denne nye automatiserede AI AD‑detektionmetode. Disse virksomheder specialiserer sig i AD‑forebyggelses‑ og forudsigelsesmetoder. Som sådan kunne de bedre ordinere og diagnosticere patienter, hvilket fører til hurtigere responstider. Her er to virksomheder, der er klar til at integrere denne teknologi i dag.

1. Biogen

BIIB Prisdiagram

Biogen er en førende biotekvirksomhed med base i Massachusetts, USA. Virksomheden har en række produkter designet til at forebygge, behandle og hjælpe dem, der lider af neurologiske og autoimmune sygdomme. Integration af en automatiseret AD‑detektionmodel som den, der er skabt af forskerne, ville betydeligt forbedre virksomhedens responstid.
Biogen‑aktien betragtes som en stærk position på grund af dens historie og placering på markedet. Virksomheden har oplevet langsomme og stabile gevinster i de sidste fire år og har i øjeblikket en markedsværdi på 33,16 mia. USD. Analytikere forudsiger, at producenten vil se yderligere indtægtsstigninger på grund af sine banebrydende bestræbelser og øget efterspørgsel efter tidlige forebyggelsesmetoder.

2. Eisai

Den i Tokyo baserede Eisai forbliver en global kraft inden for medicinsk forskning og udvikling. Virksomheden specialiserer sig i import og eksport af lægemidler og har samarbejdet med andre førende mærker, herunder Biogen, om en Alzheimer’s Disease lægemiddelaftale. Aftalen gør det muligt for disse virksomheder at dele data frit i håbet om at opnå et betydeligt gennembrud i diagnosen og behandlingen af denne lidelse.
Eisai er en markedsleder og har hjulpet med at forske i og udvikle nogle meget succesfulde lægemidler. Virksomheden har stærk støtte fra investeringssamfundet og er blevet fremhævet i Argus U.S. ESG‑modelporteføljen. Denne aktieanbefaling er baseret på miljø‑, governance‑ og sociale kriterier. Af disse grunde er ESALY en klog tilføjelse til enhver portefølje.

Fremtiden for AI-sundhedspleje

Denne undersøgelse er en af mange, der har fanget opmærksomheden hos dem, der lider af Alzheimers. Snart kan der være automatiserede og meget overkommelige hjemme‑diagnostiske værktøjer, der gør det muligt for enhver, uanset hvor, at overvåge deres sundhedsrisiko. Disse enheder behøver ikke kun at være begrænset til Alzheimers‑forebyggelse. Her er nogle andre seje AI‑medicinske forbedringer.

AI-stroke-detektion

AI-systemer er nu på plads for at hjælpe med at opdage slagtilfælde. For redningspersonale er bestemmelse af, om en person lider af et slagtilfælde eller en anden lidelse, ofte det første skridt i at redde deres liv. Bemærkelsesværdigt har et team af biomedicinske ingeniører fra RMIT University skabt et nyt værktøj, der udnytter AI til at identificere en CVA på sekunder. Softwaren bruger et smartphonekamera til at se og bestemme via deres ansigtstræk, om et slagtilfælde har fundet sted.

AI-assisteret tale

AI-assisteret tale er et andet område inden for sundhedspleje, der har oplevet betydelige forbedringer. Disse systemer bruger store sprogmodeller til at hjælpe dem, der ikke kan udtale ord på grund af ulykker eller hindringer, med at skabe sætninger i realtid. Denne teknologi hjælper allerede tusindvis af mennesker, der lider af kommunikationsproblemer, med at overvinde modgang og leve mere meningsfulde liv.

AI-assisteret bevægelse

AI-systemer har også hjulpet med at forbedre mobiliteten for millioner af mennesker. Forskere bruger nu AI til at forbedre exoskeletters ydeevne. Disse enheder, som tidligere krævede en fjernbetjening for at brugeren kunne betjene dem, kan nu bestemme dit næste skridt og automatisk hjælpe dig med at bestige trapper, stejle skråninger og andet terræn, som normalt ville være umuligt for andre ganghjælpssystemer.

AI hjælper med at bekæmpe Alzheimers sygdom

AI-teknologi kan hjælpe dem, der lider af Alzheimers sygdom, med at holde styr på deres svindende minder og leve bedre liv. Denne seneste udvikling viser, hvordan AI‑forebyggelse og -diagnose kan være de første skridt mod endelig at bekæmpe denne lidelse. Som sådan giver denne forskning et nyt niveau af selvtillid, mens den åbner døren for en sundere og mere kognitivt aktiv befolkning i fremtiden.
Klik for flere seje AI-udviklinger.