Alzheimer mit Hilfe von KI vorhersagen

Eine kürzlich von der Alzheimer’s Association veröffentlichte Studie wirft ein Licht auf eine neue Früherkennungsmethode, die Millionen von Leben retten könnte. Die Studie untersucht den Einsatz von KI in automatisierten Vorhersageprotokollen in Kombination mit Stimm‑Scanning‑Methoden, um den Fortschritt von leichter kognitiver Beeinträchtigung (MCI) zu Alzheimer (AD) innerhalb eines 6‑Jahres‑Zeitrahmens genau zu bestimmen. Hier ist, was Sie wissen müssen.

Alzheimer und Demenz

Jeder, der mit einem Verwandten an Alzheimer & Demenz gelebt hat oder ihm geholfen hat, kann die Schwierigkeiten der Situation bezeugen. Insbesondere ist die Alzheimer‑Krankheit die weltweit häufigste Ursache für Demenz. Es handelt sich um eine fortschreitende Hirnerkrankung, die die geistigen Fähigkeiten einer Person im Laufe der Zeit verschlechtert. Der Prozess ist allmählich, wobei die Symptome von einfacher Vergesslichkeit über Gedächtnisverlust, Desorientierung, Selbstvernachlässigung bis hin zu Sprachverlust reichen. Besonders Patienten mit leichter kognitiver Beeinträchtigung (MCI) haben ein deutlich höheres Risiko, an Alzheimer zu erkranken.

Fakten zur Alzheimer‑Krankheit

Die Alzheimer‑Krankheit ist die 6. häufigste Todesursache bei Amerikanern und bleibt weltweit ein großes Problem. Eine Studie aus dem Jahr 2023 ergab, dass über 6,7 Millionen Amerikaner an dieser Krankheit leiden, die Patienten unfähig machen kann, sich selbst zu versorgen, Familienmitglieder zu erkennen oder notwendige Alltagsaufgaben zu erledigen.

Quelle – Wikipedia

Leider wies die Forschung auch auf steigende Risiken in der Zukunft hin. Sie prognostizierte, dass bis 2060 13,8 Millionen US‑Bürger an der Krankheit leiden werden. Diese Faktoren haben viele Forscher dazu veranlasst, nach Lösungen und Präventionsmethoden zu suchen, um diese Risiken zu reduzieren und möglicherweise viele Leben zu retten.

AD-Pathologie

AD‑Pathologie ist ein Begriff, der beschreibt, wie das Gehirn unter dem Gewicht der Krankheit zu zerfallen beginnt. Die heutigen Methoden erfordern neuropsychologische Tests (NPTs), die es Fachkräften ermöglichen, die Werte von Beta‑Amyloid‑Peptiden (Aβ), hyperphosphoryliertem Tau‑Protein, reaktiven Astrozyten, Mikroglia‑Aktivierung und anderen Biomarkern zu überwachen. All diese Faktoren können chronische Entzündungen und andere mit dem Auftreten von AD verbundene Probleme anzeigen.

Aktuelle Einschränkungen der AD-Pathologie

Diese Methoden zur Bestimmung des AD‑Risikos eines Patienten haben erhebliche Nachteile. Erstens sind sie teuer. Jeder Test kann Tausende kosten und ist damit nur für Personen mit Versicherung oder finanzieller Unterstützung verfügbar. Zusätzlich sind diese Methoden oft invasiv. Sobald man in die Haut eindringen muss, steigt das Risiko von Infektionen und anderen Komplikationen.

Die Zukunft der AD-Erkennung ist sprachbasiert

Forscher haben eine direkte Korrelation zwischen Sprachverschlechterung und MCI festgestellt. Daher wurde viel Arbeit geleistet, um diese Veränderungen zu dokumentieren und für Forschungszwecke aufzuzeichnen. Heute stehen tausende Stunden Sprachaufnahmen aus neuropsychologischen Untersuchungen zur Verfügung. Zusätzlich sind weitere Daten an diese Aufnahmen gekoppelt. Diese FHS‑Studie ist der größte Datensatz von Aufnahmen.

Framingham Heart Study (FHS)

Die Framingham Heart Study (FHS) wird seit 1948 durchgeführt. Diese langfristige Studie zur kardiovaskulären Gesundheit untersuchte tausende Männer, die Schlaganfälle oder Herzinfarkte erlitten hatten. Ihr langfristiger Ansatz ermöglichte es den Forschern, 10‑ bis 30‑Jahres‑Risiko‑Vorhersagemodelle zu erstellen, die sich als entscheidend für Prävention, Medikamentenentwicklung und jetzt für die Programmierung von KI‑Modellen erwiesen haben.

Diese Zusammenarbeit wird vom National Heart, Lung, and Blood Institute (NHLBI) und der Boston University unterstützt und ist eine der längsten und erfolgreichsten kardiovaskulären Studien überhaupt. Daher haben ihre Daten unzählige medizinische Durchbrüche ermöglicht und bleiben eine kraftvolle Quelle für langfristige Gesundheitsdaten.

Im Rahmen der Studie wurden 2005 Sprachtests in die Daten aufgenommen. Seitdem haben Wissenschaftler tausende Sprachmuster von Patienten vor und während AD aufgezeichnet. Diese Aufnahmen lieferten wertvolle Einblicke, wie der Geist während AD zerfällt.

Künstliche Intelligenz verbessert Diagnosemethoden

Die KI‑Revolution hat es Ingenieuren ermöglicht, fortschrittlichere und effizientere Frühwarnsysteme zu schaffen. In diesem Fall wurde KI‑Natural‑Language‑Processing (NLP) eingesetzt, um linguistische Merkmale zu diagnostizieren, die kognitiven Abbau signalisieren. Der Algorithmus kann Millionen von Datenpunkten abgleichen, um Patienten basierend auf ihrer Kommunikation genau auf einer Demenzskala einzuordnen.

Alzheimer- und Demenz-Studie

Die Studie wendete NLP‑Techniken zusammen mit Methoden des maschinellen Lernens an, um vorhergesagte Modelle von MCI und Demenz zu verbessern. Das Team nutzte Test‑Interview‑Aufnahmen von n + 166 Teilnehmern der Framingham Heart Study (FHS), um diese Modelle zu erstellen. Die Modelle umfassten ein breites Spektrum von Optionen, von demografischen Daten bis hin zu einer vollständigen Datenpalette.

Ein Hauptunterschied zu früheren Versuchen bestand darin, dass das Team sich primär auf den Fortschritt von MCI zu AD konzentrierte und nicht auf normale Kognition. Es beinhaltete 90 progressive MCI‑ und 76 stabile MCI‑Fälle als Teil des Ansatzes. Diese Daten wurden in einen fortschrittlichen KI‑Algorithmus eingespeist, der Schlüsselfaktoren untersuchte.

Eingabedaten

Das System nutzte eine Variante des logistischen Regressionsmodells, das Sub‑Test‑Scores und TAS als Hauptvorhersageindikatoren heranzog. Im Rahmen dieses Ansatzes entwickelte das Team zunächst ein Transkriptionswerkzeug, das den Import der zuvor aufgezeichneten FHS‑Daten vereinfachte.

Sprachdaten

Die Sprachdaten der 166 Teilnehmer umfassten ein einstündiges Interview mit jeder Person. Diese Daten waren bereits digital aufgezeichnet und gespeichert, sodass das Team Methoden entwickeln musste, um diese Daten leicht in Text zu konvertieren und anschließend in KI‑Modelle zu überführen.

Der Universal Sentence Encoder

Der Universal Sentence Encoder wurde entwickelt, um den Aufwand beim Importieren von FHS‑Daten zu reduzieren. Das System scannt automatisch FHS‑Daten und erzeugt Vektor‑Einbettungen basierend auf spezifischen Segmenten jedes Patienten‑Transkripts. Dieser Ansatz hilft der KI, präzisere Vorhersagen zu treffen und gleichzeitig den Arbeitsaufwand zu senken.

Verbesserungen des KI-Modells

Das Forschungsteam nutzte diese Transkripte, um einen leistungsstarken KI‑Deep‑Learning‑Algorithmus zu erstellen. Das System ruft zufällig Daten aus dem FHS‑Bericht ab und sampelt sie. Diese Daten wurden verwendet, um Sub‑Test‑Inhalte zu erstellen und zu kodieren. Insgesamt wurden acht spezifische Einbettungen verwendet, um den AD‑Fortschritt und MCI zu messen.

Logistische Regressionsmodelle

Neue KI‑Modelle wurden aus den quantitativen Daten jedes Sub‑Test‑Inhalts trainiert. Der Inhalt wurde bewertet und als einzelne Eingaben für das Modell verwendet. Diese Modelle wurden anschließend zerlegt und auf Wirksamkeit getestet, was zu einem (TAS)‑Durchschnittsscore für jedes Transkript führte. Diese Scores und TAS ermöglichten es der KI, den MCI‑Fortschritt genau zu überwachen.

Das primäre Modell enthielt eine Fülle wertvoller Daten zu den Teilnehmern. Insbesondere umfasste es demografische Angaben, APOE‑Trägerstatus, Gesundheitsfaktoren und Textmerkmale, die aus der FHS‑Studie importiert wurden. Dieses Modell erzielte die höchste Genauigkeit und zeigte fast 80 % Trefferquote bei der Bestimmung des AD‑Eintritts innerhalb von sechs Jahren.

Das Team testete außerdem ein Modell, das ausschließlich demografische Daten der Teilnehmer berücksichtigte. Es gab auch ein reines Text‑Modell, das die FHS‑Texteingaben als primäre Prüfquelle nutzte. Bemerkenswerterweise sagte das demografische KI‑Modell AD mit 68,8 % Genauigkeit voraus. Das genaueste Modell, das alle relevanten Daten einbezog, erreichte 79 % Genauigkeit.

Testen der Modelle

Die Leistung jedes Modells wurde mit einem gruppenweisen k‑Falten‑Cross‑Validation‑Ansatz getestet, der Schlüsselfaktoren wie Genauigkeit, Präzision, Sensitivität und Spezifität untersuchte. Zusätzlich wurden Cross‑Validation‑ und Feature‑Selection‑Tests durchgeführt.

Ergebnisse

Die Ergebnisse der Studie sind vielversprechend. Das neue KI‑Erkennungsmodell erreichte eine Genauigkeit von 79 % bei der Bestimmung des AD‑Eintritts innerhalb von 6 Jahren. Das Team stellte fest, dass je mehr Eingabedaten hinzugefügt wurden, desto genauer die KI das Risiko einer Person bestimmen konnte. Daher spielen Sprachdaten, Alter, Geschlecht und Bildungsniveau eine Rolle beim Risiko einer AD‑Exposition.

Vorteile der Alzheimer‑Studie

Die Studie bietet ernsthafte Vorteile für die breite Öffentlichkeit. Erstens sind KI‑basierte Vorhersagemethoden weitaus erschwinglicher und zugänglicher. Die Kosten der heutigen Tests im profitorientierten Gesundheitssystem steigen weiter, weil Labore und Proben benötigt werden. Das neue KI‑System eliminiert diese Notwendigkeit und reduziert die Kosten für alle Beteiligten erheblich.

Zusätzlich kann die Integration eines automatisierten Erkennungssystems Ärzten und Gesundheitsfachkräften helfen, Behandlungen und Medikamente genauer und schneller zu verschreiben, wenn dies möglich ist. Diese verbesserten Reaktionen könnten in vielen Fällen über Leben und Tod entscheiden.

Nicht‑invasiv

Diese KI‑Methode zur AD‑Erkennung ist nicht‑invasiv. Es ist nicht nötig, Gewebeproben zu entnehmen, um den AD‑Fortschritt zu bestimmen, wodurch das Infektions‑ und Komplikationsrisiko reduziert wird.

Unternehmen, die von dieser Studie profitieren könnten

Mehrere Unternehmen könnten ihre Produkte und Dienstleistungen verbessern, indem sie diese neue automatisierte KI‑AD‑Erkennungsmethode integrieren. Diese Unternehmen spezialisieren sich auf Präventions‑ und Vorhersagemethoden für AD. Dadurch könnten sie Patienten besser diagnostizieren und behandeln, was zu schnelleren Reaktionszeiten führt. Hier sind zwei Unternehmen, die heute bereits in der Lage sind, diese Technologie zu integrieren.

1. Biogen

BIIB Preisdiagramm

Biogen ist ein führendes Biotech‑Unternehmen mit Sitz in Massachusetts, USA. Das Unternehmen bietet eine Vielzahl von Produkten zur Vorbeugung, Behandlung und Unterstützung von Menschen mit neurologischen und Autoimmunerkrankungen. Die Integration eines automatisierten AD‑Erkennungsmodells, wie es die Forscher entwickelt haben, würde die Reaktionszeit des Unternehmens erheblich verbessern.

Die Biogen‑Aktie gilt als stabiler Pfeiler aufgrund ihrer Geschichte und Marktposition. Das Unternehmen verzeichnet seit vier Jahren ein langsames, aber stetiges Wachstum und hat derzeit eine Marktkapitalisierung von 33,16 Mrd. $. Analysten prognostizieren, dass der Hersteller dank seiner Vorreiterrolle und der steigenden Nachfrage nach frühen Präventionsmethoden weitere Umsatzsteigerungen verzeichnen wird.

2. Eisai

Das in Tokio ansässige Unternehmen Eisai bleibt ein globaler Akteur im Bereich medizinischer Forschung und Entwicklung. Das Unternehmen spezialisiert sich auf den Import und Export von Pharmazeutika und hat mit anderen führenden Marken, darunter Biogen, an einem Alzheimer‑Medikamenten‑Pakt zusammengearbeitet. Der Pakt ermöglicht den Unternehmen, Daten frei zu teilen, in der Hoffnung, einen bedeutenden Durchbruch bei Diagnose und Behandlung dieser Erkrankung zu erzielen.

Eisai ist Marktführer und hat bei der Forschung und Entwicklung einiger sehr erfolgreicher Pharmazeutika geholfen. Das Unternehmen genießt starke Unterstützung aus der Investment‑Community und wurde im Argus U.S. ESG‑Modellportfolio aufgeführt. Diese Aktienempfehlung basiert auf Umwelt‑, Governance‑ und Sozialkriterien. Aus diesen Gründen ist ESALY eine sinnvolle Ergänzung für jedes Portfolio.

Zukunft der KI‑Gesundheitsversorgung

Diese Studie ist eine von vielen, die die Aufmerksamkeit von Menschen mit Alzheimer auf sich gezogen hat. Bald könnten automatisierte und sehr erschwingliche Heimdiagnosetools verfügbar sein, die es jedem, überall, ermöglichen, sein Gesundheitsrisiko zu überwachen. Diese Geräte müssten nicht nur auf die Prävention von Alzheimer beschränkt sein. Hier sind einige weitere coole KI‑medizinische Verbesserungen.

KI-Schlaganfallerkennung

KI‑Systeme werden jetzt eingesetzt, um Schlaganfälle zu erkennen. Für Rettungskräfte ist die Feststellung, ob eine Person einen Schlaganfall oder eine andere Erkrankung hat, oft der erste Schritt, um ihr Leben zu retten. Ein Team von Biomedizinischen Ingenieuren der RMIT University entwickelte ein neues Werkzeug, das KI nutzt, um einen CVA in Sekunden zu identifizieren. Die Software verwendet die Smartphone‑Kamera, um anhand von Gesichtsmerkmalen zu bestimmen, ob ein Schlaganfall stattgefunden hat.

KI-unterstützte Sprache

KI‑unterstützte Sprache ist ein weiterer Bereich im Gesundheitswesen, der erhebliche Verbesserungen erfahren hat. Diese Systeme nutzen große Sprachmodelle, um Menschen, die aufgrund von Unfällen oder Behinderungen Wörter nicht aussprechen können, in Echtzeit Sätze zu erstellen. Diese Technologie hilft bereits tausenden Menschen mit Kommunikationsproblemen, Widrigkeiten zu überwinden und ein erfüllteres Leben zu führen.

KI-unterstützte Bewegung

KI‑Systeme haben auch die Mobilität für Millionen von Menschen verbessert. Forscher nutzen KI nun, um die Leistung von Exoskeletten zu optimieren. Diese Geräte, die früher eine Fernsteuerung für den Nutzer erforderten, können jetzt die nächste Bewegung bestimmen und automatisch beim Treppensteigen, bei steilen Hängen und anderem Terrain helfen, das für andere Gehhilfen normalerweise unmöglich wäre.

KI hilft, Alzheimer zu besiegen

KI‑Technologie kann Menschen mit Alzheimer‑Krankheit dabei helfen, ihre nachlassenden Erinnerungen im Blick zu behalten und ein besseres Leben zu führen. Diese neueste Entwicklung zeigt, wie KI‑Prävention und -Diagnose die ersten Schritte sein können, um diese Erkrankung endlich zu besiegen. Damit liefert diese Forschung ein neues Maß an Zuversicht und öffnet die Tür zu einer gesünderen und kognitiv aktiveren Bevölkerung in der Zukunft.

Klicken Sie für weitere coole KI‑Entwicklungen.