ابزاری مبتنی بر هوش مصنوعی برای رصد پارکینسون با پوشیدنی ها

نتایج موسسه PPMI Data Modeling Core نشان می‌دهد که فناوری سلامت دیجیتال توانایی شناسایی علائم پارکینسون از راه دور را دارد. در ادامه این مقاله از مجله فناوری‌های توان افزا و پوشیدنی به طور مختصر نتایج پژوهش این موسسه را مرور خواهیم کرد.

پارکینسون

موسسه غیرتجاری Cohen Veterans Bioscience یا CVB نتایح مطالعات خود پیرامون سلامت دیجیتال و پارکینسون را اعلام کرده است. در این پژوهش‌ها داده‌هایی با هدف رصد پیشرفت بیماری پارکینسون بررسی شد. این داده‌ها از Parkinson’s Progression Markers Initiative یا PPMI بدست این موسسه رسیده است. هدف بررسی حضور یا عدم حضور بیماری پارکینسون در افرادی است که در جمع‌آوری داده‌ها یاری کرده‌اند.

نتایج این پژوهش در سپتامبر ۲۰۲۲ در Sensor به چاپ رسیده است. مقاله چاپ شده تحت عنوان

Deep Learning for Daily Monitoring of Parkinson’s Disease Outside the Clinic Using Wearable Sensors

به چاپ رسیده است. در این مقاله نتایج تحلیل‌های نوین با روش یادگیری ماشین به کاررفته در CVB با پشتیبانی بنیاد Micheal J. Fox توصیف شده است. نتایج پتانسیل استفاده از حسگرها، الگوریتم تشخیص حرکت انسان و یادگیری عمیق را در دسته بندی پارکینسون را به نمایش می‌گذارد.

چرا تشخیص پارکینسون دشوار است ؟

پارکینسون یکی از بیماری عصبی با تهاجم بالاست که علائم حرکتی و غیر حرکتی(اختلالات خلقی و شناختی( پیشرونده از خود بروز می‌دهد. با توجه به اینکه بیومارکری برای شناسایی پارکینسون شناخته نشده است، تشخیص پارکینسون مبتنی بر پرسشنامه تعیین کننده میزان علائم تحت نظارت مراکز درمانی است. در موارد مختلف امکان عدم تشخیص زودهنگام وجود دارد. چراکه تشخیص این بیماری فرآیندی پیچیده است.

جمع آوری غیر مستقیم داده برای مطالعه علائم حرکتی پارکینسون

حسگرهای مختلف در تشخیص و طبقه‌بندی بیماری امیدبخش بوده‌اند. اما کاربردهای این روش‌ها در عمل محدود است. پژوهشگران، به عنوان بخشی از پژوهش‌های PPMI ، برآن بوده‌اند که به روش‌های غیر مستقیم و منفعل داده‌هایی را برای بررسی پارکینسون جمع‌آوری کنند. این کار به کمک Verily Study Watch در محیط زندگی کاربران انجام شد. سپس با این داده‌ها و استفاده از الگوریتم‌های هوش مصنوعی احتمال ابتلای افراد به پارکینسون در سال‌های آینده بررسی شد.

Verily Study Watch

درصد خطا در مرحله نخست طبقه بندی بیماران شناخته شده پارکینسون

پژوهش‌های انجام شده امید بخش هستند. در مرحله نخست پژوهشگران توانستند با دقتی نزدیک به ۹۰ درصد افراد مبتلا به پارکینسون را شناسایی کنند. در این مرحله تنها یک با راه رفتن کافی بود. در مورد داده‌هایی که در گذر زمان جمع‌آوری می‌شدند شناسایی بیماران با دقت ۱۰۰ درصد انجام می‌شد.

این پژوهش کاربردی بودن داده‌های حسگرهای پوشیدنی برای شناسایی دقیق بیماری پارکینسون با استفاده از الگوریتم‌های یادگیری عمیق را نشان می‌دهد. با ترکیب داده‌های حسگرها و AI یک قدم به پیگیری فعالیت‌های مرتبط با سلامت افراد ،مانند حرکات بدنی، بیرون مرکز درمانی‌ و استفاده بالفعل از  پتانسیل تشخیص زودهنگام بیماری‌هایی مانند پارکینسون نزدیک شده‌ایم.

Lee Lanchadhire مدیر اجرایی پژوهش و مدیر اطلاعات CVB
بررسی علائم حرکتی پارکینسون

اطلاعات بیشتر در مورد پژوهش MMPI

بودجه مالی این پژوهش توسط Cohen Veterans Bioscience(COH-0003)   و کمک هزینه سخاوتنمدانه CVB از طریق بنیاد Micheal J. Fox تامین شده است که به عنوان بخشی از Parkinson’s Progression Markers Initiative کار می‌کند.

اطلاعات مقاله:

Atri, R.; Urban, K.; Marebwa, B.; Simuni, T.; Tanner, C.; Siderowf, A.; Frasier, M.; Haas, M.; Lancashire, L. Deep Learning for Daily Monitoring of Parkinson’s Disease Outside the Clinic Using Wearable Sensors. Sensors 2022, 22, 6831. https://doi.org/10.3390/s22186831


ارائه تجهیزات توانبخشی و مراقبتی در نمایشگاه دوسلدورف، REHACARE2022 (بخش دوم)
ارائه تجهیزات توانبخشی و مراقبتی در نمایشگاه دوسلدورف، REHACARE2022 (بخش نخست)


منبع: prnewswire

«استفاده و بازنشر مطالب تنها با ذکر لینک منبع و نام (مجله فناوریهای توان افزا و پوشیدنی) مجاز است.»

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *