По крайней мере, 50 процентов пожилых пациентов первичной медико-санитарной помощи, страдающих болезнью Альцгеймера и родственными деменциями, никогда не получают диагноз. И многие другие живут с симптомами от двух до пяти лет, прежде чем им поставят диагноз. В настоящее время тесты для выявления риска деменции являются инвазивными, трудоемкими и дорогостоящими.
«Самое замечательное в этом методе – то, что он пассивен и обеспечивает такую же точность, как и более навязчивые тесты, которые используются в настоящее время», – сказал ведущий исследователь Малаз Бустани, M.D., Магистр здравоохранения, научный сотрудник Института Регенстриф и профессор Медицинской школы Университета Индианы. "Это недорогое масштабируемое решение, которое может принести существенную пользу пациентам и их семьям, помогая им подготовиться к возможности жизни с деменцией и позволяя им принимать меры."
Разработка алгоритмов машинного обучения для прогнозирования деменции
Исследовательская группа, в которую также входили ученые из штата Джорджия, Медицинского колледжа Альберта Эйнштейна и Solid Research Group, недавно опубликовала свои выводы о двух различных подходах к машинному обучению. В статье, опубликованной в Журнале Американского гериатрического общества, были проанализированы результаты алгоритма обработки естественного языка, который изучает правила путем анализа примеров, а в статье «Искусственный интеллект в медицине» представлены результаты модели случайного леса, построенной с использованием ансамбля. деревьев решений.
Оба метода показали одинаковую точность при прогнозировании начала деменции в течение одного и трех лет после постановки диагноза.
Чтобы обучить алгоритмы, исследователи собрали данные о пациентах из сети Indiana Network for Patient Care. В моделях использовалась информация о рецептах и диагнозах, которые представляют собой структурированные поля, а также медицинские записи, которые представляют собой произвольный текст, для прогнозирования начала деменции.
Исследователи обнаружили, что текстовые заметки были наиболее ценными для выявления людей, подверженных риску развития болезни.
«Это исследование интересно, потому что оно потенциально приносит значительную пользу пациентам и их семьям», – сказал Патрик Монахан, доктор философии, автор исследования Медицинской школы IU и научный сотрудник Regenstrief. "Клиницисты могут рассказать о поведении и привычках, чтобы помочь пациентам справиться с их симптомами и улучшить качество жизни."
Зина Бен Милед, к.м.н.S., автор исследования из Школы инженерии и технологий Purdue при IUPUI и научный сотрудник Regenstrief, сказал: «Раннее выявление рисков дает возможность врачам и семьям разработать план медицинского обслуживания. Я по опыту знаю, какое бремя может быть при диагностике деменции. Окно, предоставляемое этим тестом, очень важно для улучшения качества жизни как пациентов, так и их семей."
Помимо пользы для семей, эти методы также могут обеспечить значительную экономию средств для пациентов и систем здравоохранения.
Они устраняют необходимость в дорогостоящих тестах и позволяют врачам проводить скрининг целых групп населения для выявления тех, кто подвергается наибольшему риску. Отсрочка появления симптомов также позволяет сэкономить значительные средства на лечении.
Следующим шагом является развертывание этих алгоритмов машинного обучения в реальных клиниках, чтобы проверить, помогают ли они выявлять более истинные случаи деменции, а также узнать, как они влияют на готовность пациента отслеживать результаты.