Forutsi Alzheimers med hjelp av AI

En nylig studie publisert av Alzheimer’s Association kaster lys over en ny tidlig påvisningsmetode som kan bidra til å redde millioner av liv. Studien undersøker bruk av AI i automatiserte prediksjonsprotokoller kombinert med stemmeskanningsmetoder for nøyaktig å fastslå progresjonen fra mild kognitiv svikt (MCI) til Alzheimers sykdom (AD) innen et 6‑års vindu. Her er det du trenger å vite.

Alzheimers & Demens

Alle som har levd med eller hjulpet en slektning med Alzheimers & demens kan bekrefte vanskelighetene i situasjonen.  Alzheimers sykdom er den primære årsaken til demens globalt. Det er en progressiv hjernesykdom som forverrer en persons mentale evner over tid. Prosessen er gradvis, med symptomer som utvikler seg fra enkel glemsomhet til hukommelsestap, desorientering, selvforsømmelse og tap av tale. Merk at pasienter som lider av MCI har en mye høyere sjanse for å bli smittet med Alzheimers sykdom.

Fakta om Alzheimers sykdom

Alzheimers sykdom er den 6. største dødsårsaken blant amerikanere og forblir en stor bekymring globalt. En studie fra 2023 fant at over 6,7 millioner amerikanere lider av denne sykdommen, som kan gjøre pasientene ute av stand til å ta vare på seg selv, gjenkjenne familiemedlemmer eller utføre nødvendige daglige oppgaver.

Dessverre pekte forskningen også på økte risikoer i fremtiden. Den forutså at 13,8 millioner amerikanske borgere vil lide av sykdommen innen 2060. Disse faktorene har fått mange forskere til å søke etter løsninger og forebyggingsmetoder for å redusere disse risikoene, og potensielt redde mange liv.

AD-patologi

AD-patologi er et begrep som refererer til hvordan hjernen begynner å forfalle under sykdommens belastning. Dagens metoder krever gjennomføring av nevropsykologiske tester (NPT), som gjør at helsepersonell kan overvåke nivåer av beta‑amyloidpeptider (Aβ), hyperfosforylert tau‑protein, reaktive astrocytter, mikroglial aktivering og andre biomarkører. Alle disse faktorene kan indikere kronisk betennelse og andre problemer knyttet til starten av AD.

Nåværende begrensninger ved AD-patologi

Disse metodene for å fastslå en pasients AD‑risiko har noen betydelige ulemper. For det første er de dyre. Hver test kan koste tusenvis, noe som gjør den kun tilgjengelig for de med forsikring eller tilgang til finansiering. I tillegg er disse metodene ofte invasive. Når du må kutte i huden, øker risikoen for infeksjoner og andre komplikasjoner.

Fremtiden for AD‑deteksjon er stemmebasert

Forskere har lagt merke til en direkte korrelasjon mellom taleforringelse og MCI. Derfor har det blitt gjort mye arbeid med å dokumentere og registrere disse endringene for forskningsformål. I dag er tusenvis av timer med stemmeopptak fra nevropsykologiske tester tilgjengelige. I tillegg er andre data knyttet til disse opptakene. Denne FHS‑studien er det største settet av opptak.

Framingham Heart Study (FHS)

Framingham Heart Study (FHS) har pågått siden 1948. Denne langsiktige studien av kardiovaskulær helse undersøkte tusenvis av menn som hadde slag eller hjerteinfarkt. Den langsiktige tilnærmingen har gjort det mulig for forskerne å lage 10‑30‑års risikoprediksjonsmodeller som har vist seg avgjørende for forebygging, utvikling av medisiner og nå programmering av AI‑modeller.

Dette samarbeidet har støtte fra National Heart, Lung, and Blood Institute (NHLBI) og Boston University, og er en av de lengste og mest vellykkede kardiovaskulære studiene som noen gang er gjennomført. Dermed har dataene bidratt til utallige medisinske gjennombrudd og forblir en kraftig kilde til langsiktige helsedata.

Som en del av studien ble taleprøver introdusert i dataene i 2005. Siden da har forskere registrert tusenvis av tale mønstre hos pasienter før og under AD. Disse opptakene ga verdifull innsikt i hvordan sinnet forfaller under AD.

Kunstig intelligens forbedrer diagnostiske metoder

AI‑revolusjonen har gjort det mulig for ingeniører å lage mer avanserte og effektive tidlige varslingssystemer. I dette tilfellet ble AI Natural Language Processing (NLP) brukt til å diagnostisere språklige trekk som signaliserer kognitiv nedgang. Algoritmen kan kryssreferere millioner av datapunkter for nøyaktig å plassere pasienter på en demensskala basert på deres kommunikasjon.

Alzheimers & Demens studie

Studien anvendte NLP‑teknikker med maskinlæringsmetoder for å forbedre predikerte modeller av MCI og demens. Teamet tok testintervjuopptak fra n + 166 deltakere i Framingham Heart Study (FHS) for å lage disse modellene. Modellene dekket et spekter av alternativer, fra demografi til et fullt spekter av data.
En hovedforskjell fra tidligere forsøk var at teamet fokuserte primært på progresjonen fra MCI til AD i stedet for normal kognisjon. Det inkluderte 90 progressive MCI‑tilfeller og 76 stabile MCI‑tilfeller som del av tilnærmingen. Disse dataene ble matet inn i en avansert AI‑algoritme som undersøkte nøkkelfaktorer.

Inndata

Systemet brukte en variant av logistisk regresjonsmodell som utnyttet deltestresultater og TAS som sine viktigste prediksjonsindikatorer. Som en del av denne tilnærmingen laget teamet først et transkriberingsverktøy som strømlinjeformet importen av tidligere innspilte Framingham Heart Study (FHS)‑data.

Taledata

Taldataene fra de 166 deltakerne inkluderte et times langt intervju med hver person. Disse dataene var tidligere innspilt og lagret digitalt, noe som betydde at teamet måtte lage metoder for enkelt å konvertere dataene til tekst og deretter AI‑modeller.

Den universelle setningskoder

Den universelle setningskoderen ble designet for å redusere arbeidsmengden ved import av FHS‑data. Systemet skanner automatisk FHS‑data og genererer vektor‑innbygginger basert på spesifikke segmenter av hver pasients transkripsjon. Denne tilnærmingen hjelper AI med å gjøre mer presise prediksjoner samtidig som arbeidsmengden reduseres.

Forbedringer av AI‑modellen

Forskningsgruppen brukte disse transkripsjonene til å lage en kraftig AI‑dyp‑læringsalgoritme. Systemet henter automatisk tilfeldig data fra FHS‑rapporten og prøvetar den. Disse dataene ble brukt til å lage og kode deltestinnhold. Totalt ble åtte spesifikke innbygginger brukt for å måle AD‑progresjon og MCI.

Logistiske regresjonsmodeller

Nye AI‑modeller trent på kvantitative data knyttet til hvert deltestinnhold ble opprettet. Innholdet ble poengsatt og brukt som individuelle innganger for modellering. Disse modellene ble deretter brutt ned og testet for effektivitet, noe som resulterte i en (TAS) transkripsjonsgjennomsnittsscore for hver. Disse poengene og TAS gjorde det mulig for AI å nøyaktig overvåke MCI‑progresjon.

Den primære modellen inkluderte en mengde verdifulle data om deltakerne. Spesielt inkluderte den demografi, APOE‑bærerstatus, helsefaktorer og tekstfunksjoner importert fra FHS‑studien. Denne modellen oppnådde den høyeste poengsummen, med nesten 80 % nøyaktighet i å fastslå AD‑start innen seks år.

Teamet testet også en modell som kun tok hensyn til demografiske data om deltakerne. Det var også en kun‑tekst‑modell som utnyttet FHS‑tekstinnspillene som sin primære kilde. Merk at den demografiske AI‑modellen forutså AD med 68,8 % nøyaktighet. Imponerende oppnådde den mest nøyaktige modellen, som inkluderte alle relevante data, 79 % nøyaktighet.

Testing av modellene

Ytelsen til hver modell ble testet ved bruk av en gruppe‑k‑fold kryssvalideringsmetode som undersøkte nøkkelfaktorer som nøyaktighet, presisjon, sensitivitet og spesifisitet. I tillegg ble kryssvalidering og funksjonsutvelgelsestester utført.

Resultater

Resultatene fra studien er lovende. Den nye AI‑deteksjonsmodellen hadde 79 % nøyaktighet i å fastslå starten av AD innen 6 år. Teamet fant at jo flere datainnganger som ble lagt til, desto mer nøyaktig kunne AI bestemme en persons risiko. Dermed er taledata, alder, kjønn og utdanningsnivå alle faktorer som spiller en rolle i en persons risiko for å utvikle AD.

Fordeler med Alzheimers‑studien

Det finnes noen alvorlige fordeler som denne studien kan gi den gjennomsnittlige personen. For det første er AI‑baserte prediksjonsmetoder langt mer rimelige og tilgjengelige for publikum. Kostnaden for dagens nåværende tester innen det profittbaserte helsevesenet fortsetter å øke på grunn av behovet for laboratorier og prøver. Det nye AI‑systemet eliminerer disse behovene, og reduserer kostnadene betydelig for alle deltakere.
I tillegg kan integrering av et automatisert deteksjonssystem hjelpe leger og helsepersonell med å raskere og mer nøyaktig foreskrive behandlinger og medisiner når det er mulig. Disse forbedrede responsene kan utgjøre en liv‑og‑dødsforskjell i mange tilfeller.

Ikke‑invasiv

Denne AI‑metoden for å oppdage AD er ikke‑invasiv. Det er ikke nødvendig for leger å ta vevsprøver for å fastslå din AD‑progresjon, noe som reduserer risikoen for infeksjon eller andre komplikasjoner.

Selskaper som kan ha nytte av denne studien

Flere selskaper kan forbedre sine produkter og tjenester ved å integrere denne nye automatiserte AI‑AD‑deteksjonsmetoden. Disse selskapene spesialiserer seg på forebyggings‑ og prediksjonsmetoder for AD. Dermed kan de bedre foreskrive og diagnostisere pasienter, noe som fører til raskere responstider. Her er to selskaper som er posisjonert til å integrere denne teknologien i dag.

1. Biogen

BIIB Prisdiagram

Biogen er et ledende biotekfirma basert i Massachusetts, USA. Selskapet har en rekke produkter designet for å forebygge, behandle og hjelpe de som lider av nevrologiske og autoimmune sykdommer. Å integrere en automatisert AD‑deteksjonsmodell som den forskerne har laget, vil betydelig forbedre selskapets responstid.
Biogen‑aksjen anses som en sterk aktør på grunn av sin historie og posisjon i markedet. Selskapet har opplevd langsomme og jevne gevinster de siste fire årene og har nå en markedsverdi på 33,16 milliarder dollar. Analytikere spår at produsenten vil se ytterligere inntektsøkninger på grunn av sine banebrytende innsats og økt etterspørsel etter tidlige forebyggingsmetoder.

2. Eisai

Det i Tokyo‑baserte selskapet Eisai forblir en global kraft innen medisinsk forskning og utvikling. Selskapet spesialiserer seg på import og eksport av legemidler og har samarbeidet med andre ledende merker, inkludert Biogen, om en Alzheimers‑medikamentavtale. Avtalen gjør det mulig for disse selskapene å dele data fritt i håp om å oppnå et betydelig gjennombrudd i diagnostisering og behandling av denne lidelsen.
Eisai er en markedsleder og har bidratt til forskning og utvikling av flere svært vellykkede legemidler. Selskapet har sterk støtte fra investeringsmiljøet og har blitt omtalt i Argus U.S. ESG‑modellporteføljen. Denne aksjeanbefalingen er basert på miljø-, styrings- og sosiale kriterier. Av disse årsaker er ESALY et klokt tillegg til enhver portefølje.

Fremtiden for AI‑helsevesen

Denne studien er en av mange som har fanget oppmerksomheten til de som lider av Alzheimers. Snart kan det bli automatiserte og svært rimelige hjemme‑diagnostiske verktøy som gjør det mulig for hvem som helst, hvor som helst, å overvåke sin helserisiko. Disse enhetene trenger ikke å være begrenset til kun Alzheimers‑forebygging. Her er noen andre spennende AI‑medisinske forbedringer.

AI‑slagdeteksjon

AI‑systemer er nå på plass for å hjelpe med å oppdage slag. For nødhjelpspersonell er det ofte første steg i å redde liv å fastslå om en person lider av et slag eller annen sykdom. Merk at et team av biomedisinske ingeniører fra RMIT University utviklet et nytt verktøy som utnytter AI til å identifisere et CVA på sekunder. Programvaren bruker et smarttelefonkamera for å se på og bestemme via ansiktsfunksjonene om et slag har inntruffet.

AI‑assistert tale

AI‑assistert tale er et annet område innen helsevesenet som har sett betydelige forbedringer. Disse systemene bruker store språkmodeller for å hjelpe de som ikke kan uttale ord på grunn av ulykker eller hindringer med å lage setninger i sanntid. Denne teknologien hjelper allerede tusenvis av mennesker som lider av kommunikasjonsproblemer med å overvinne motgang og leve mer meningsfulle liv.

AI‑assistert bevegelse

AI‑systemer har også bidratt til å forbedre mobiliteten for millioner av mennesker. Forskere bruker nå AI for å forbedre eksoskjelettets ytelse. Disse enhetene, som tidligere krevde en fjernkontroll for at brukeren skulle kunne operere dem, kan nå bestemme ditt neste trekk og automatisk hjelpe deg med å gå opp trapper, bratte skråninger og annet terreng som vanligvis ville vært umulig for andre ganghjelpemidler.

AI hjelper med å bekjempe Alzheimers sykdom

AI‑teknologi kan hjelpe de som lider av Alzheimers sykdom med å holde oversikt over sine falmende minner og leve bedre liv. Denne siste utviklingen viser hvordan AI‑forebygging og -diagnostikk kan være de første stegene mot endelig å bekjempe denne lidelsen. Dermed gir denne forskningen et nytt nivå av selvtillit samtidig som den åpner døren for en sunnere og mer kognitivt aktiv befolkning i fremtiden. Klikk for flere kule AI‑utviklinger.