نشانگرهای دیجیتال برای پیش بینی زوال عقل

به گزارش سیناپرس همدان، محققان دانشکده بهداشت عمومی میلمن دانشگاه کلمبیا، دانشکده مهندسی و علوم کاربردی فو بنیاد فو، و کالج پزشکان و جراحان واژلوس با استفاده از تکنیک‌های یادگیری گروهی و داده‌های طولی از یک مطالعه بزرگ رانندگی طبیعت‌گرایانه، الگوریتمی بدیع، قابل تفسیر و بسیار دقیق برای پیش‌بینی اختلال خفیف شناختی و زوال عقل در رانندگان مسن‌ را ایجاد کرده‌اند.

نشانگرهای دیجیتال به متغیرهایی اشاره دارند که از داده های ضبط شده از طریق دستگاه های ضبط در محیط واقعی تولید می شوند. این داده ها را می توان برای اندازه گیری رفتار رانندگی، عملکرد و الگوی زمانی-مکانی با جزئیات استثنایی پردازش کرد.

محققان از روش طبقه بندی مبتنی بر تعامل برای انتخاب متغیرهای پیش بینی در مجموعه داده استفاده کردند. این مدل یادگیری به دقت 96 درصد در پیش‌بینی اختلالات شناختی خفیف و زوال عقل دست یافته است و از مدل‌های یادگیری ماشین سنتی مانند رگرسیون لجستیک و جنگل‌های تصادفی، یک تکنیک آماری که به طور گسترده در هوش مصنوعی برای طبقه‌بندی وضعیت بیماری استفاده می‌شود، بهتر عمل می‌کند.

شارون دی، دانشیار مهندسی عمران و مکانیک مهندسی در دانشکده مهندسی کلمبیا و نویسنده اصلی این مطالعه گفت: مدل جدید یادگیری مجموعه ما بر اساس نشانگرهای دیجیتال و ویژگی های اولیه جمعیت شناختی می تواند اختلالات شناختی خفیف و زوال عقل را در رانندگان مسن تر با دقت عالی پیش بینی کند.

محققین 200 ماژول متغیر را با استفاده از داده های رانندگی طبیعت گرایانه روی راننده، وسیله نقلیه و محیط ضبط شده توسط دستگاه های ضبط داخل خودرو برای 2977 راننده شرکت کننده در پروژه تحقیقات طولی در مورد رانندگان پیر (LongROAD) ساختند. یک مطالعه کوهورت آینده نگر که در پنج سایت در سراسر ایالات متحده به هم پیوسته انجام شد و توسط بنیاد AAA برای ایمنی ترافیک حمایت شد.

در زمان ثبت نام، شرکت کنندگان رانندگان فعال 65-79 ساله بودند که از نظر شناختی سالم بودند. داده‌های مورد استفاده در این مطالعه از سه سال اول پیگیری، از آگوست 2015 تا مارس 2019 بدست آمد. در طول پیگیری، 36 شرکت‌کننده با اختلال شناختی خفیف، 8 نفر مبتلا به بیماری آلزایمر و 17 نفر با نوع دیگری از زوال عقل یا نامشخص تشخیص داده شدند.

محققان مجموعه‌ای از آزمایش‌های مدل‌سازی رایانه‌ای انجام دادند و دریافتند که مدل جدید یادگیری گروهی 6 تا 10 درصد دقیق‌تر از مدل‌های جنگل تصادفی و رگرسیون لجستیک در پیش‌بینی اختلالات شناختی خفیف و زوال عقل است. دو متغیر تأثیرگذار رانندگی عبارتند از: نسبت گردش به چپ به راست و تعداد رویدادهای ترمز شدید (که به عنوان مانورهایی با نرخ کاهش سرعت ≥ 0.4 g تعریف می شود). دی خاطرنشان کرد: با افزایش سن، رانندگان نسبتاً کمتر پیچ‌های چپ و بیشتر به راست انجام می‌دهند، زیرا پیچ‌های چپ خطرناک‌تر است.

دکتر Guohua Li، استاد اپیدمیولوژی و بیهوشی در دانشکده بهداشت عمومی میلمن کلمبیا و کالج پزشکان و جراحان Vagelos و نویسنده ارشد گفت: حدود 85 درصد از افراد مسن در ایالات متحده رانندگان دارای گواهینامه هستند. رانندگی به عنوان ترجیح داده شده ترین روش حمل و نقل شخصی، نقش مهمی در حفظ استقلال، خودکنترلی، ارتباط اجتماعی و کیفیت زندگی ایفا می کند. راه اندازی ایمن ماشین نیاز به عملکردهای شناختی و فیزیکی ضروری دارد. مطالعه ما نشان می‌دهد که نشانگرهای دیجیتالی تعبیه‌شده در داده‌های رانندگی جمع‌آوری‌شده به‌طور معمول می‌توانند از طریق تکنیک‌های یادگیری ماشینی نوآورانه به عنوان هوش مصنوعی معتبر و قابل اعتماد برای پیش‌بینی اختلالات شناختی خفیف و زوال عقل استفاده شوند.

تشخیص زودهنگام اختلالات شناختی خفیف و زوال عقل می تواند منجر به ارزیابی، تشخیص و مداخلات به موقع شود که به ویژه در غیاب درمان های موثر برجسته هستند.

این مطالعه در ژورنال Artificial Intelligence in Medicine منتشر شده است.

مترجم: سید سپهر ارومیهء