ปัญญาประดิษฐ์เอาชนะการทดสอบทางคลินิกในการคาดการณ์ความก้าวหน้าของโรคอัลไซเมอร์–
นักวิทยาศาสตร์จากเคมบริดจ์ได้สร้างเครื่องมือปัญญาประดิษฐ์ (AI) ที่สามารถทำนายได้ว่าผู้ที่มีอาการสมองเสื่อมในระยะเริ่มต้นจะมีอาการคงที่หรือเป็นโรคอัลไซเมอร์ เครื่องมือนี้มีความแม่นยำถึง 4 ใน 5 กรณี
แนวทางใหม่นี้อาจช่วยลดความจำเป็นในการทดสอบที่มีราคาแพงและรุกรานร่างกาย ทำให้การรักษาได้ผลในระยะเริ่มต้นดีขึ้น การแทรกแซงในระยะเริ่มต้น เช่น การเปลี่ยนแปลงวิถีชีวิตหรือยารักษาโรคชนิดใหม่ มักมีประสิทธิผลสูงสุดในระยะนี้
โรคสมองเสื่อมเป็นปัญหาสุขภาพระดับโลกที่สำคัญ ส่งผลกระทบต่อผู้คนมากกว่า 55 ล้านคนทั่วโลกและมีค่าใช้จ่ายประมาณ 820,000 ล้านดอลลาร์ต่อปี คาดว่าจำนวนผู้ป่วยจะเพิ่มขึ้นเกือบสามเท่าในอีก 50 ปีข้างหน้า
โรคอัลไซเมอร์เป็นสาเหตุหลักของภาวะสมองเสื่อม โดยคิดเป็น 60-80% ของผู้ป่วยทั้งหมด การตรวจพบในระยะเริ่มต้นถือเป็นสิ่งสำคัญสำหรับการรักษาที่มีประสิทธิภาพ แต่ปัจจุบันวิธีการส่วนใหญ่มักเกี่ยวข้องกับการทดสอบที่รุกรานหรือมีราคาแพง เช่น การสแกนด้วยเครื่องถ่ายภาพรังสีโพซิตรอน (PET) หรือการเจาะน้ำไขสันหลัง ซึ่งมักไม่สามารถทำได้เสมอไป
เนื่องด้วยข้อจำกัดเหล่านี้ ผู้ป่วยถึงหนึ่งในสามอาจได้รับการวินิจฉัยผิดพลาดหรือวินิจฉัยช้าเกินไปจนไม่สามารถรักษาให้หายได้
ทีมวิจัยจากภาควิชาจิตวิทยา มหาวิทยาลัยเคมบริดจ์ได้พัฒนาแบบจำลองการเรียนรู้ของเครื่องจักรเพื่อทำนายว่าบุคคลที่มีปัญหาด้านความจำเล็กน้อยจะดำเนินไปสู่โรคอัลไซเมอร์ได้เร็วเพียงใด การวิจัยของพวกเขาซึ่งตีพิมพ์ในวารสาร eClinicalMedicine แสดงให้เห็นว่าแบบจำลองนี้มีความแม่นยำมากกว่าเครื่องมือวินิจฉัยทางคลินิกในปัจจุบัน
นักวิจัยได้สร้างแบบจำลองโดยใช้ข้อมูลที่ไม่รุกรานและมีต้นทุนต่ำ รวมถึงการทดสอบทางปัญญาและการสแกน MRI ที่แสดงให้เห็นการฝ่อของสมองจากผู้เข้าร่วมการวิจัยกว่า 400 คนในสหรัฐอเมริกา
จากนั้นพวกเขาจึงทดสอบโมเดลกับข้อมูลจริงจากผู้เข้าร่วมอีก 600 คนในสหรัฐอเมริกาและผู้คน 900 คนจากคลินิกความจำในสหราชอาณาจักรและสิงคโปร์
อัลกอริธึมสามารถแยกแยะระหว่างบุคคลที่มีความบกพร่องทางสติปัญญาเล็กน้อยและผู้ที่มีแนวโน้มจะเป็นโรคอัลไซเมอร์ภายใน 3 ปีได้ โดยสามารถระบุบุคคลที่มีแนวโน้มจะเป็นโรคอัลไซเมอร์ได้อย่างถูกต้อง 82% ของกรณีและผู้ที่จะไม่เป็นโรค 81% ของกรณี โดยใช้การทดสอบทางสติปัญญาและการสแกน MRI เท่านั้น
อัลกอริธึมนี้มีความแม่นยำมากกว่าวิธีปัจจุบันประมาณสามเท่า ช่วยลดโอกาสการวินิจฉัยผิดพลาด
นอกจากนี้ แบบจำลองนี้ยังช่วยให้นักวิจัยสามารถจำแนกผู้ป่วยโรคอัลไซเมอร์ออกเป็น 3 กลุ่ม คือ ผู้ที่อาการคงที่ (ประมาณ 50%) ผู้ที่อาการจะค่อยๆ แย่ลง (ประมาณ 35%) และผู้ที่อาการจะค่อยๆ แย่ลงอย่างรวดเร็ว (กลุ่มที่เหลือ 15%)
การคาดการณ์เหล่านี้ได้รับการพิสูจน์แล้วด้วยข้อมูลการติดตามผลเป็นเวลา 6 ปี การระบุในระยะเริ่มต้นนี้มีความสำคัญอย่างยิ่งต่อการใช้การรักษาแบบใหม่และการติดตามอาการผู้ป่วยที่มีอาการรุนแรงอย่างใกล้ชิด
สำหรับผู้ป่วย 50% ที่อาการยังคงทรงตัว แบบจำลองแสดงให้เห็นว่าปัญหาอาจเกิดจากสาเหตุอื่น เช่น ความวิตกกังวลหรือภาวะซึมเศร้า และอาจปฏิบัติตามแนวทางทางคลินิกที่แตกต่างกัน
ศาสตราจารย์ Zoë Kourtzi จากมหาวิทยาลัยเคมบริดจ์กล่าวว่า “เราได้พัฒนาเครื่องมือที่ใช้เฉพาะการทดสอบทางปัญญาและการสแกน MRI เท่านั้น แต่มีความไวมากกว่าวิธีการปัจจุบันในการคาดการณ์ว่าบุคคลใดจะดำเนินไปสู่โรคอัลไซเมอร์หรือไม่ และเร็วเพียงใด”
“สิ่งนี้สามารถปรับปรุงการดูแลผู้ป่วยได้อย่างมาก โดยแสดงให้เห็นว่าใครบ้างที่ต้องได้รับการดูแลอย่างใกล้ชิด และบรรเทาความวิตกกังวลของผู้ที่คาดว่าจะมีอาการคงที่ นอกจากนี้ยังลดความจำเป็นในการทดสอบที่ไม่จำเป็นอีกด้วย”
อัลกอริทึมนี้ได้รับการตรวจสอบความถูกต้องด้วยข้อมูลจากบุคคลเกือบ 900 รายจากคลินิกความจำในสหราชอาณาจักรและสิงคโปร์ ซึ่งแสดงให้เห็นว่าสามารถนำไปใช้ในสถานการณ์ทางคลินิกในโลกแห่งความเป็นจริงได้
ดร.เบน อันเดอร์วู้ด จิตแพทย์ที่ปรึกษากิตติมศักดิ์จาก CPFT และผู้ช่วยศาสตราจารย์จากมหาวิทยาลัยเคมบริดจ์ เน้นย้ำถึงความสำคัญของการลดความไม่แน่นอนเกี่ยวกับปัญหาด้านความจำในผู้สูงอายุ ซึ่งอาจทำให้เกิดความกังวลและความหงุดหงิด
ศาสตราจารย์ Kourtzi เน้นย้ำถึงความจำเป็นในการมีเครื่องมือที่ดีขึ้นเพื่อรับมือกับภาวะสมองเสื่อมโดยการระบุและแทรกแซงในระยะเริ่มต้น ทีมมีเป้าหมายที่จะขยายโมเดลของตนไปยังภาวะสมองเสื่อมรูปแบบอื่นๆ และข้อมูลประเภทอื่นๆ เช่น เครื่องหมายการทดสอบเลือด
“เป้าหมายของเราคือการขยายเครื่องมือ AI ของเราเพื่อช่วยให้แพทย์สามารถกำหนดเส้นทางการวินิจฉัยและการรักษาที่เหมาะสมให้กับผู้ป่วยได้อย่างถูกต้องในเวลาที่เหมาะสม” ศาสตราจารย์ Kourtzi กล่าว “สิ่งนี้จะช่วยเร่งการค้นพบยาใหม่สำหรับการรักษาโรคสมองเสื่อม”
แหล่งข้อมูล:
เครื่องหมายนำทางด้วย AI ที่แข็งแกร่งและตีความได้สำหรับการคาดการณ์ภาวะสมองเสื่อมระยะเริ่มต้นในสภาวะทางคลินิกในโลกแห่งความเป็นจริง [eClinicalMedicine (2024)]- ที่มา: 10.1016/j.eclinm.2024.102725
Discussion about this post