Förutsäga Alzheimers med hjälp av AI

En nyligen publicerad studie av Alzheimer’s Association belyser en ny metod för tidig upptäckt som kan hjälpa till att rädda miljontals liv. Studien undersöker användningen av AI i automatiserade förutsägelseprotokoll kombinerat med röstscanningsmetoder för att exakt bestämma utvecklingen från Mild Cognitive Impairment (MCI) till Alzheimer’s Disease (AD) inom ett 6‑årigt fönster. Här är vad du behöver veta.

Alzheimers & Demens

Alla som har levt med eller hjälpt en släkting med Alzheimers & demens kan intyga svårigheterna i situationen. Noterbart är att Alzheimers sjukdom är den främsta orsaken till demens globalt. Det är en progressiv hjärnsjukdom som försämrar en persons mentala förmågor över tid. Processen är gradvis, med symtom som utvecklas från enkel glömska till minnesförlust, desorientering, självförsummelse och talförlust. Speciellt har patienter med MCI en mycket högre risk att drabbas av Alzheimers sjukdom.

Fakta om Alzheimers sjukdom

Alzheimers sjukdom är den sjätte största dödssyndaren bland amerikaner och förblir en stor oro globalt. En studie från 2023 visade att över 6,7 miljoner amerikaner lider av denna sjukdom, vilket kan göra att patienterna inte kan ta hand om sig själva, känna igen sina familjemedlemmar eller utföra nödvändiga dagliga uppgifter.

Tyvärr pekade forskningen också på ökade risker i framtiden. Den förutspådde att 13,8 miljoner amerikanska medborgare skulle drabbas av sjukdomen år 2060. Dessa faktorer har lett många forskare att söka lösningar och förebyggande metoder för att minska dessa risker, vilket potentiellt kan rädda många liv.

AD-patologi

AD-patologi är en term som refererar till hur hjärnan börjar brytas ner under sjukdomens påverkan. Dagens metoder kräver genomförande av neuropsykologiska tester (NPT), vilket gör att vårdpersonal kan övervaka nivåer av beta‑amyloidpeptider (Aβ), hyperfosforylerat tau‑protein, reaktiva astrocyter, mikroglial aktivering och andra biomarkörer. Alla dessa faktorer kan indikera kronisk inflammation och andra problem som är förknippade med början av AD.

Aktuella begränsningar av AD-patologi

Dessa metoder för att fastställa en patients AD-risk har betydande nackdelar. För det första är de dyra. Varje test kan kosta tusentals, vilket gör dem endast tillgängliga för dem med försäkring eller finansiering. Dessutom är dessa metoder ofta invasiva. När man måste skära i huden ökar risken för infektioner och andra komplikationer.

Framtiden för AD-detektion är röstbaserad

Forskare har observerat ett direkt samband mellan talnedgång och MCI. Därför har mycket arbete lagts på att dokumentera och spela in dessa förändringar för forskningsändamål. Idag finns tusentals timmars röstinspelningar från neuropsykologiska tester tillgängliga. Dessutom är annan data bifogad till dessa inspelningar. Denna FHS-studie är den största samlingen av inspelningar.

Framingham Heart Study (FHS)

Framingham Heart Study (FHS) har pågått sedan 1948. Denna långsiktiga studie av hjärt‑ och kärlhälsa undersökte tusentals män som hade stroke eller hjärtinfarkt. Dess långsiktiga metod har gjort det möjligt för forskarna att skapa 10‑30‑åriga risk‑prediktionsmodeller som har visat sig vara avgörande för förebyggande, utveckling av mediciner och nu för programmering av AI‑modeller.

Detta samarbetsprojekt har stöd från National Heart, Lung, and Blood Institute (NHLBI) och Boston University, och är en av de längst pågående och mest framgångsrika kardiovaskulära studierna någonsin genomförda. På så sätt har dess data bidragit till otaliga medicinska genombrott och förblir en kraftfull källa till långsiktiga hälsodata.

Som en del av studien infördes taltester i datamaterialet år 2005. Sedan dess har forskare spelat in tusentals talmönster hos patienter före och under AD. Dessa inspelningar gav värdefull insikt i hur sinnet försämras under AD.

Artificiell intelligens förbättrar diagnosmetoder

AI-revolutionen har gjort det möjligt för ingenjörer att skapa mer avancerade och effektiva tidiga varningssystem. I detta fall användes AI Natural Language Processing (NLP) för att diagnostisera språkliga egenskaper som signalerar kognitiv nedgång. Algoritmen kan korsreferera miljontals datapunkter för att exakt placera patienter på en demenskala baserat på deras kommunikation.

Alzheimers & Demens‑studie

Studien tillämpade NLP‑tekniker med maskininlärningsmetoder för att förbättra förutsägelser av MCI och demens. Teamet tog testintervjuinspelningar från n + 166 deltagare i Framingham Heart Study (FHS) för att skapa dessa modeller. Modellerna omfattade ett brett spektrum av alternativ, från demografi till hela datamängden.
En huvudskillnad jämfört med tidigare försök var att teamet fokuserade främst på MCI‑till‑AD‑progressionen snarare än normal kognition. Det inkluderade 90 progressiva MCI‑fall och 76 stabila MCI‑fall som en del av tillvägagångssättet. Dessa data matades in i en avancerad AI‑algoritm som analyserade nyckelfaktorer.

Ingångsdata

Systemet använde en variant av logistisk regressionsmodell som utnyttjade deltestresultat och TAS som sina huvudsakliga förutsägelseindikatorer. Som en del av detta tillvägagångssätt skapade teamet först ett transkriberingsverktyg som förenklade importen av tidigare inspelade Framingham Heart Study (FHS)‑data.

Taldata

Taldata från de 166 deltagarna inkluderade en timslång intervju med varje person. Dessa data hade tidigare spelats in och lagrats digitalt, vilket innebar att teamet behövde skapa metoder för att enkelt omvandla dessa data till text och därefter AI‑modeller.

Den universella meningskodaren

Den universella meningskodaren (Universal Sentence Encoder) designades för att minska arbetsbördan vid import av FHS‑data. Systemet skannar automatiskt FHS‑data och genererar vektor‑embeddings baserade på specifika segment av varje patients transkript. Detta tillvägagångssätt hjälper AI att göra mer precisa förutsägelser samtidigt som arbetsbördan minskar.

Förbättringar av AI‑modeller

Forskarteamet använde dessa transkript för att skapa en kraftfull AI‑djupinlärningsalgoritm. Systemet hämtar automatiskt slumpmässig data från FHS‑rapporten och samplar den. Denna data användes för att skapa och koda deltestinnehåll. Totalt användes åtta specifika embeddings för att mäta AD‑progression och MCI.

Logistiska regressionsmodeller

Nya AI‑modeller tränade på den kvantitativa data som är kopplad till varje deltestinnehåll skapades. Innehållet poängsattes och användes som individuella indata för modellering. Dessa modeller analyserades sedan och testades för effektivitet, vilket resulterade i ett genomsnittligt (TAS)‑transkriptpoäng för varje. Dessa poäng och TAS gjorde det möjligt för AI att exakt övervaka MCI‑progression.

Den primära modellen inkluderade en mängd värdefull data om deltagarna. Specifikt inkluderade den demografi, APOE‑bärare‑status, hälsofaktorer och textfunktioner importerade från FHS‑studien. Denna modell fick högst poäng och visade nästan 80 % noggrannhet i att fastställa AD‑påbörjan inom sex år.

Teamet testade också en modell som enbart tog hänsyn till demografisk data om deltagarna. Det fanns även en ren text‑modell som utnyttjade FHS‑textinmatningarna som sin primära granskningskälla. Noterbart predikterade den demografiska AI‑modellen AD med 68,8 % noggrannhet. Imponerande nog nådde den mest exakta modellen, som inkluderade all relevant data, 79 % noggrannhet.

Testning av modellerna

Varje modells prestanda testades med en grupp‑k‑fold‑korsvalideringsmetod som granskade nyckelfaktorer såsom noggrannhet, precision, känslighet och specificitet. Dessutom genomfördes korsvaliderings‑ och funktionsurvalstester.

Resultat

Resultaten från studien är lovande. Den nya AI‑detekteringsmodellen hade 79 % noggrannhet i att fastställa AD‑påbörjan inom 6 år. Teamet fann att ju fler datainmatningar som lades till, desto mer exakt kunde AI bestämma en persons risk. Därför är taldata, ålder, kön och utbildningsnivå alla faktorer som påverkar en persons risk för att drabbas av AD.

Fördelar med Alzheimers‑studien

Det finns några allvarliga fördelar som denna studie kan erbjuda den genomsnittliga personen. För det första är AI‑baserade förutsägelsemetoder mycket mer prisvärda och tillgängliga för allmänheten. Kostnaden för dagens nuvarande tester inom det vinstdrivande sjukvårdssystemet fortsätter att öka på grund av behovet av laboratorier och prover. Det nya AI‑systemet eliminerar dessa behov och minskar avsevärt kostnaderna för alla deltagare.
Dessutom kan integration av ett automatiserat detekteringssystem hjälpa läkare och vårdpersonal att mer exakt och snabbt ordinera behandlingar och mediciner när det är möjligt. Dessa förbättrade svar kan göra en liv‑och‑dödsskillnad i många fall.

Icke‑invasiv

Denna AI‑metod för att upptäcka AD är icke‑invasiv. Det behövs inga vävnadsprover från läkare för att fastställa din AD‑progression, vilket minskar risken för infektion eller andra komplikationer.

Företag som kan dra nytta av denna studie

Flera företag kan förbättra sina produkter och tjänster genom att integrera denna nya automatiserade AI‑AD‑detekteringsmetod. Dessa företag är specialiserade på AD‑förebyggande och förutsägelsemetoder. På så sätt kan de bättre ordinera och diagnostisera patienter, vilket leder till snabbare svarstider. Här är två företag som är positionerade att integrera denna teknik redan idag.

1. Biogen

BIIB Prisdiagram

Biogen är ett ledande biotekföretag baserat i Massachusetts, USA. Företaget har en rad produkter utformade för att förebygga, behandla och hjälpa de som lider av neurologiska och autoimmuna sjukdomar. Att integrera en automatiserad AD‑detekteringsmodell som den som forskarna skapat skulle avsevärt förbättra företagets svarstid.
Biogen‑aktien anses vara en stark position på grund av dess historia och marknadsplacering. Företaget har haft långsamma men stadiga vinster under de senaste fyra åren och har för närvarande ett börsvärde på 33,16  miljarder dollar. Analytiker förutspår att tillverkaren kommer att se ytterligare intäktsökningar tack vare sina banbrytande insatser och ökad efterfrågan på tidiga förebyggande metoder.

2. Eisai

Det i Tokyo baserade företaget Eisai är fortfarande en global kraft inom medicinsk forskning och utveckling. Företaget specialiserar sig på import och export av läkemedel och har samarbetat med andra ledande varumärken, inklusive Biogen, i ett avtal om Alzheimers‑läkemedel. Avtalet möjliggör för dessa företag att fritt dela data i hopp om att göra ett betydande genombrott i diagnos och behandling av denna sjukdom.
Eisai är en marknadsledare och har bidragit till forskning och utveckling av flera mycket framgångsrika läkemedel. Företaget har starkt stöd från investeringsgemenskapen och har presenterats i Argus USA ESG‑modellportfölj. Denna aktierekommendation baseras på miljö-, styrnings- och sociala kriterier. Av dessa skäl är ESALY ett klokt tillskott till vilken portfölj som helst.

Framtiden för AI‑hälso- och sjukvård

Denna studie är en av många som har fångat uppmärksamheten hos dem som lider av Alzheimers. Snart kan det finnas automatiserade och mycket prisvärda hemdiagnostiska verktyg som gör det möjligt för vem som helst, var som helst, att övervaka sin hälsorisk. Dessa enheter behöver inte begränsas till enbart Alzheimers‑förebyggande. Här är några andra spännande AI‑medicinska förbättringar.

AI‑stroke‑detektion

AI‑system finns nu för att hjälpa till att upptäcka stroke. För räddningspersonal är det ofta första steget att avgöra om en person drabbas av en stroke eller annan sjukdom för att rädda deras liv. Noterbart skapade ett team av biomedicinska ingenjörer från RMIT University ett nytt verktyg som utnyttjar AI för att identifiera en CVA på sekunder. Mjukvaran använder en smartphone‑kamera för att se och avgöra via ansiktsdrag om en stroke har inträffat.

AI‑assisterat tal

AI‑assisterat tal är ett annat område inom hälso- och sjukvården som har sett betydande förbättringar. Dessa system använder stora språkmodeller för att hjälpa dem som inte kan uttala ord på grund av olyckor eller hinder att skapa meningar i realtid. Denna teknik hjälper redan tusentals personer som lider av kommunikationsproblem att övervinna svårigheter och leva ett mer meningsfullt liv.

AI‑assisterad rörelse

AI‑system har också hjälpt till att förbättra rörligheten för miljontals människor. Forskare använder nu AI för att förbättra exoskelettens prestanda. Dessa enheter, som tidigare krävde en fjärrkontroll för att användaren skulle kunna styra dem, kan nu bestämma ditt nästa steg och automatiskt hjälpa dig att gå upp för trappor, branta sluttningar och annan terräng som vanligtvis skulle vara omöjlig för andra gånghjälpssystem.

AI hjälper till att besegra Alzheimers sjukdom

AI‑teknik kan hjälpa dem som lider av Alzheimers sjukdom att hålla koll på sina försvinnande minnen och leva bättre liv. Denna senaste utveckling visar hur AI‑förebyggande och diagnos kan vara de första stegen mot att slutligen besegra denna sjukdom. På så sätt ger forskningen en ny nivå av förtroende samtidigt som den öppnar dörren för en hälsosammare och mer kognitivt aktiv befolkning i framtiden.
Klicka för fler coola AI‑utvecklingar.