به گزارش کارگروه فناوری اطلاعات سایبربان؛ یک مطالعه جدید نشان داده است که هوش مصنوعی میتواند به بهبود و تسریع تشخیص آلزایمر کمک کند. بیماری آلزایمر نوعی بیماری عصبی است که در آن مرگ سلولهای مغزی باعث از بین رفتن حافظه و افت شناختی میشود.
دانشمندان مؤسسه علوم اعصاب دانشگاه شفیلد در انگلستان چگونگی استفاده روزمره از هوش مصنوعی در حوزه بهداشت و درمان و کمک آن به کاهش زمان و تأثیر اقتصادی بیماریهای عصبی شایع معمولی مانند آلزایمر و پارکینسون در خدمات ملی بهداشت (NHS) بررسی کردند.
عامل اصلی خطر برای بسیاری اختلالات عصبی، سن است و با جمعیت فعلی در سراسر جهان بیش از هر زمان دیگری، انتظار میرود تعداد افراد مبتلا به یک بیماری عصبی به سطوح بیسابقهای برسد. طبق این مطالعه، تعداد افراد مبتلا به آلزامیر تا سال 2050 به 115 میلیون نفر میرسد و این یک چالش واقعی برای سیستم بهداشتی است.
این مقاله، که در «journal Nature Reviews Neurology» منتشر شده است، نشان میدهد که چگونه فنآوریهای هوش مصنوعی مانند الگوریتمهای یادگیری ماشینی میتوانند اختلالات عصبی عامل مرگ بخشی از مغز را قبل از بدتر شدن علائم نشان دهند. این موضوع باعث بهبود شانس بیماران در استفاده از درمان موفقیتآمیز بیماری خواهد شد.
لورا فرایائولو (Laura Ferraiuolo)، نویسنده اصلی این تحقیق و یکی از اعضای دانشگاه شفیلد توضیح داد :
«اکثر بیماریهای عصبی هنوز درمانی ندارند و در بسیاری موارد به دلیل پیچیدگی مولکولی آنها دیر تشخیص داده میشوند. اجرای گسترده فنآوریهای هوش مصنوعی میتواند به عنوان مثال میزان پیشرفت بیماری آلزایمر در بیماران دارای اختلال شناختی خفیف یا چگونگی کاهش مهارتهای حرکتی آنها با مرور زمان را پیشبینی کند.»
فنآوریهای مبتنی بر هوش مصنوعی میتوانند به بیماران در برقراری ارتباط از راه دور و در خانه کمک کنند و این موضوع برای بیماران دارای مشکل حرکتی بسیار سودمند است.
الگوریتمهای یادگیری ماشینی میتوانند در تشخیص تغییرات ناشی از بیماریها در تصاویر پزشکی، اطلاعات حرکتی بیماران، ضبط گفتارها یا فیلمهای نشان دهنده رفتار بیماران آموزش داده شوند و درنتیجه هوش مصنوعی به عنوان یک کمک تشخیصی ارزشمند شناخته میشود. به عنوان مثال، متخصصان آموزش دیده در بخش رادیولوژی از هوش مصنوعی برای تجزیه و تحلیل سریعتر تصاویر و اعلام نتایج مهم برای پیگیری فوری استفاده میکنند.
الگوریتم ها همچنین می توانند برای ارزیابی عملکرد بیماران، به گفتار آنها گوش دهند و واژگان و سایر ویژگیهای معنایی آنها را بررسی کنند. یادگیری ماشینی همچنین میتواند از اطلاعات موجود در پروندههای الکترونیکی سلامت یا پروفایلهای ژنتیکی استفاده کند تا بهترین روش درمانی را برای بیماران خاص ارائه دهد.
مونیکا میزیسینسکا (Monika Myszczynska)، یکی دیگر از اساتید برتر دانشگاه شفیلد در این خصوص اظهار داشت :
«هنوز خیلی زود است که در مورد نتایج درمانی صحبت کنیم، اما در این مقاله ما چگونگی استفاده از روشهای یادگیری ماشینی برای شناسایی بهترین دوره درمان برای بیماران براساس پیشرفت بیماری یا شناسایی اهداف و داروهای جدید درمانی بررسی کردیم.»
