یک گروه بین‌المللی از دانشمندان به رهبری EPFL سیستمی توسعه داده‌اند که با ترکیب کانکتوم، اتصالات میان سلول‌های عصبی، و یادگیری ماشین، نتیجه توانبخشی قربانیان سکته مغزی را ارزیابی و پیش‌بینی می‌کند. این ابزار می‌تواند از پیش‌بینی دوره‌های بهبودی اولیه پشتیبانی کند و تأثیر مهمی در مدیریت بالینی، پژوهش‌ها و انتخاب درمان خواهد داشت. با مجله فناوری‌های توان‌افزا و پوشیدنی همراه باشید.

سکته مغزی

وقتی جریان خون به مغز به نوعی کاهش یافته یا محدود شود، فرد دچار سکته مغزی می‌شود (در اصطلاح پزشکی سکته ایسکمیک). سکته مغزی یکی از شرایط کاملاً رایج است. این تصور غلطی نیست: تنها در اروپا سالانه بیش از ۱٫۵ میلیون نفر قربانی جدید می‌گیرد.

برخی از سکته‌های مغزی می‌توانند کشنده باشند و در غیر اینصورت غالباً به توانایی حرکتی قربانی آسیب جدی وارد می‌کنند. امروزه سکته مغزی یکی از مهمترین دلایل معلولیت طولانی مدت است. بازتوانی می‌تواند راهی طولانی و طاقت فرسا باشد. در اروپا  کمتر از ۱۵٪ بیماران بهبود کامل پیدا می‌کنند و ۳٫۷ میلیون بیمار با نقص مداوم روبرو می‌شوند. واضح است که این یک مشکل پزشکی است و نیاز به رسیدگی فوری دارد.

اما توانبخشی یک راهکار پیچیده است. سکته مغزی در قسمت‌های مختلف مغز رخ می‌دهد، بر سیستم‌های مختلف مغزی تأثیر می‌گذارد و بیمارانی که تحت توانبخشی قرار می‌گیرند “غیریکنواختی در نتیجه” را نشان می‌دهند. درواقع بهبودی میان قربانیان سکته مغزی متفاوت است.

پروفسور Friedhelm Hummel، دانشمند علوم اعصاب در EPFL، می‌گوید: «نکته اصلی یافتن استراتژی توانبخشی بهینه برای به حداکثر رساندن نتیجه درمان فردی است». دکتر فیلیپ جی کوخ، نخستین نویسنده این مطالعه، افزود: «اگر می‌خواهیم در عمل به این چالش‌ها بپردازیم، ابتدا باید توانایی خود را برای پیش‌بینی دوره‌های بهبودی فردی افزایش دهیم».

اکنون Hummel یک گروه بین‌المللی از دانشمندان را به رویکرد جدیدی برای پیش‌بینی نتیجه سوق داده است که می‌تواند به طور قابل توجهی درمان سکته مغزی را بهبود بخشد. در این مقاله که در مجله Brain منتشر شده است، آنها یک روش پیش‌بینی بر اساس دو ابزار قدرتمند و پیشرفته را نشان می‌دهند: کانکتوم و یادگیری ماشین.

این گروه شامل دانشمندانی از دانشکده پزشکی دانشگاه سونگ کیون کوان، دانشکده پزشکی دانشگاه ژنو، بنیاد Santa Lucia Foundation IRCCS، رم و EPFL هستند.

کانکتوم مغزی

کانکتوم چیست؟ به زبان ساده، دیاگرام اتصالات مغزی است. این اصطلاح در سال ۲۰۰۵ توسط دو دانشمند (یکی از بیمارستان دانشگاه لوزان) به طور مستقل ابداع شد تا شیوه اتصال نورون‌های مغز به یکدیگر را توصیف کند.

کانکتوم‌ها با تجزیه و تحلیل چندین تصویر گرفته شده از تصویربرداری تشدید مغناطیسی و بازسازی اتصالات ساختاری و عملکردی مغز به صورت غیرتهاجمی تولید می‌شوند. امروزه، کانکتوم‌ها ابزاری ضروری برای دانشمندان علوم مغز و اعصاب هستند، به ویژه هنگامی که آنها می‌خواهند داده‌های ساختاری یا دینامیک مغز را تفسیر کرده و آنها را با عملکردها، نقص عملکردی یا فرآیندهای بهبود ارتباط دهند. به طور خلاصه، کانکتوم نشان می‌دهد که اتصالات مغزی چگونه بدن و عملکردهای آن را کنترل می‌کنند. به همین دلیل آنها برای انتخاب بهترین روش بهبودی برای یک قربانی سکته مغزی مهم هستند.

در این مطالعه، گروه Hummel کانکتوم ۹۲ بیمار را دو هفته پس از سکته مغزی تجزیه و تحلیل و تا سه ماه پس از آن نیز تغییرات کانکتوم را ردیابی کردند. در عین حال نقص حرکتی را با مقیاس استاندارد ارزیابی ‌کردند. این امر به آنها امکان می‌داد تا در حین بهبودی، تغییرات اتصال در مغز افراد بیمار را کنترل کنند.

دانشمندان اطلاعات کانکتوم را به یک «ماشین بردار پشتیبان» یا  SVM وارد می‌کنند که نوعی مدل یادگیری ماشین است و با استفاده از نمونه‌های ورودی، خروجی را ترسیم می‌کند.  SVMها به ویژه برای طبقه‌بندی بسیار مفید هستند، جایی که آنها چیزها را از هم جدا و به طور مناسب دسته‌بندی می‌کنند، برای نمونه ایمیل هرزنامه و غیرهرزنامه.

در این مطالعه، پژوهشگران  SVMها را آموزش دادند تا بیماران با بهبود طبیعی را از بیماران بدون بهبودی جدا کنند. این کار بر اساس کانکتوم‌های ساختاری کل مغز انجام شد. سپس SVMها الگوی اساسی شبکه مغز هر بیمار را مشخص کردند و با تمرکز بر روی افرادی که به شدت دچار نقص شدند، می‌توانند در مورد توانایی بهبودی بیمار پیش‌بینی کنند.

نتیجه یک ابزار پیشرفته پزشکی شخصی است: یک سیستم یادگیری ماشین که می‌تواند الگوهای شبکه عصبی را شناسایی کند تا با دقت بالا نتیجه بهبود بیماران سکته مغزی را پیش بینی کند. Hummel می‌گوید: «این ابزار می‌تواند از پیش بینی دوره‌های بهبودی اولیه پشتیبانی کند و تأثیر مهمی در مدیریت بالینی، پژوهش‌ها و انتخاب درمان خواهد داشت».

بیشتر بخوانیم:

>> اتصالات مغزی پیچیده‌تر از آن چیزی است که فکر می‌کنیم!

>> توپولوژی جبری و انقلابی در علوم مغزی

منبع: news.epfl.ch

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