ردیابی الگوهای تنفسی برای تشخیص بیماری پارکینسون

مطالعه جدید قانع کننده نشان می‌دهد که بیماری پارکینسون (PD) را می‌توان با ردیابی از راه دور الگوهای تنفسی افراد تشخیص داد.

این مطالعه که توسط محققان MIT هدایت می‌شود، یک سیستم هوش مصنوعی را ارائه می‌دهد که از امواج رادیویی برای نظارت بر تنفس در هنگام خواب استفاده می‌کند.

دینا کاتبی، محقق اصلی این تحقیق جدید، گفت: این مطالعه با الهام از مشاهدات ۲۰۰ ساله جیمز پارکینسون، اولین پزشکی که به صورت بالینی علائم بیماری دژنراتیو عصبی را فهرست‌بندی کرد، انجام شده است.

کاتبی توضیح داد که رابطه بین پارکینسون و تنفس در اوایل سال ۱۸۱۷ در کار دکتر جیمز پارکینسون ذکر شد. همین یافته باعث شد، تا پتانسیل تشخیص بیماری را از طریق تنفس بدون نگاه کردن به حرکات در نظر بگیریم.

برخی از مطالعات پزشکی نشان داده‌اند که علائم تنفسی سال‌ها قبل از علائم حرکتی ظاهر می‌شوند، به این معنی که ویژگی‌های تنفسی می‌تواند برای ارزیابی خطر قبل از تشخیص پارکینسون امیدوارکننده باشد.

اولین گام آموزش یک شبکه عصبی بر روی مجموعه داده‌های عظیم تنفس شبانه بود. تقریباً ۱۲۰۰۰ شب الگوی تنفس از ۷۵۷ بیمار مبتلا به پارکینسون و حدود ۷۰۰۰ فرد سالم مورد بررسی قرار گرفت.

با آزمایش مدل هوش مصنوعی بر روی یک مجموعه داده مستقل، توانستیم بیماران پارکینسون را با دقت ۸۶ درصد فقط از یک شب داده تشخیص دهیم

به طور متوسط، این مطالعه نشان داد که ۱۲ شب ردیابی متوالی می‌تواند به حدود ۹۵ درصد دقت در تشخیص پارکینسون برسد.

جالب‌تر از آن، پتانسیل این سیستم برای تشخیص بیماری پارکینسون قبل از ظهور علائم حرکتی است.

مجموعه داده مورد مطالعه شامل داده‌های افراد قبل و بعد از تشخیص پارکینسون بود.

دو دوره خواب تقریباً شش سال از هم فاصله داشتند و مدل هوش مصنوعی می‌توانست پارکینسون را در گروهی که تشخیص داده نشده بود با دقت ۷۵ درصد از اولین مجموعه داده‌های خواب پیش‌بینی کند، قبل از اینکه بیمار به پارکینسون تشخیص داده شود.

محققان در این مطالعه می‌نویسند: در حال حاضر، تشخیص PD بر اساس وجود علائم حرکتی بالینی است که تخمین زده می‌شود پس از انحطاط ۵۰ تا ۸۰ درصد نورون‌های دوپامینرژیک ایجاد شود.

سیستم ما شواهد اولیه‌ای را نشان می‌دهد که به طور بالقوه می‌تواند ارزیابی خطر را قبل از علائم حرکتی بالینی ارائه دهد.

البته برای تایید این سیستم به عنوان یک ابزار تشخیصی اولیه به کار بیشتری نیاز است، اما استفاده فوری‌تر می‌تواند در ردیابی پیشرفت بیماری باشد.

سایر داده‌های تجزیه‌وتحلیل‌شده در این مطالعه نشان داد که مدل هوش مصنوعی می‌تواند بیمار پارکینسون را در طول ۱۲ ماه ردیابی کند و تغییرات در الگوهای تنفسی را با افزایش شدت بیماری مرتبط کند.

به گفته کاتبی، این مطلب می‌تواند در زمینه‌های مختلفی کاربرد داشته باشد، از بهبود مراقبت‌های بالینی برای بیمارانی که در محیط‌های دور زندگی می‌کنند تا کمک به محققان در ارزیابی اثربخشی درمان‌های دارویی جدید در آزمایش‌های بالینی.

کاتبی گفت: از نظر توسعه دارو، نتایج می‌تواند آزمایش‌های بالینی را با مدت زمان بسیار کوتاه‌تر و شرکت‌کنندگان کمتر امکان‌پذیر کند و در نهایت توسعه درمان‌های جدید را تسریع کند.

از نظر مراقبت‌های بالینی، این رویکرد می‌تواند به ارزیابی بیماران پارکینسون در جوامع سنتی کمک کند، از جمله کسانی که در مناطق روستایی زندگی می‌کنند و کسانی که به دلیل محدودیت حرکتی یا اختلالات شناختی در ترک خانه مشکل دارند.

این روزهای اولیه است، اما محققان قبلاً یک دستگاه دیواری ساخته اند که می‌تواند برای نظارت بر بیماران در خانه استفاده شود.

در نهایت این نوع دستگاه می‌تواند به عنوان یک سیستم هشدار اولیه برای افرادی که در معرض خطر بالاتر از حد متوسط ابتلا به پارکینسون هستند یا بیمارانی که در مراحل اولیه هستند که مایل به نظارت دقیق بر پیشرفت بیماری خود هستند، عمل کند.

محققان می‌گویند: ما تصور می‌کنیم این سیستم در نهایت می‌تواند در خانه‌های بیماران PD و افرادی که در معرض خطر بالای PD هستند (به عنوان مثال، افرادی که دارای جهش ژن LRRK۲ هستند) مستقر شود تا به طور غیر فعال وضعیت آن‌ها را نظارت کند و به ارائه دهنده آن‌ها بازخورد ارائه کند.

اگر این مدل بتواند، شدت را در بیماران PD یا تبدیل به PD در افراد در معرض خطر تشخیص دهد، پزشک می‌تواند با بیمار پیگیری کند تا نتایج را از طریق بهداشت از راه دور یا بازدید از کلینیک تایید کند.

مطالعه جدید در Nature Medicine منتشر شده است.