Machine learning kan tekenen van Alzheimer identificeren bij patiënten die zich het verhaal van Assepoester herinneren

Machine learning kan tekenen van Alzheimer identificeren bij patiënten die zich het verhaal van Assepoester herinneren

Een gloednieuw onderzoek door wetenschappers van het Neurosciences Research Center in St. George's heeft zowel de zwaarte als de beperkingen bepaald van verschillende banen die worden gebruikt om de zeer vroege tekenen van de ziekte van Alzheimer te herkennen via spraakevaluatie en machinaal leren. Gepubliceerd in het tijdschrift Grenzen in de informatica, toont het onderzoek aan dat hoewel machine learning kan worden gebruikt om spraakpatronen te evalueren op tekenen van conditie, de taak die aan de persoon is toegewezen, een belangrijke taak speelt bij de nauwkeurigheid van het onderzoek.

Eerder onderzoek door het team heeft aangetoond dat de ziekte van Alzheimer de taal extreem beïnvloedt in de aandoening, en daarom kunnen taalanalyses worden gebruikt om de aandoening in een eerdere fase te herkennen. Hoe eerder het is verkregen, hoe sneller behandelingen in overweging kunnen worden genomen om het individu te helpen.

Dit meest recente onderzoek omvat in het bewijs door te zoeken naar om de acties te evalueren, evenals banen die kunnen worden gebruikt om te controleren op Alzheimer. Door het geluid op te nemen van banen die door individuen zijn gedaan, gebruikte de onderzoeksgroep daarna een machine learning-programma, gevestigd in St George's, om tekenen van conditie te evalueren.

De banen die in het onderzoek zijn gebruikt, staan ​​voor verschillende benaderingen die worden gebruikt in medische zorgsituaties. Een van de meest gebruikelijke technieken die door medische professionals worden gebruikt, is om patiënten te vragen een scène te definiëren die de afbeelding "Cookiediefstal" wordt genoemd. Andere technieken bestaan ​​erin de persoon te vragen een ontdekt verhaal te vertellen, zoals algemeen bekende sprookjes zoals Assepoester - een gecompliceerde klus, waarbij ze een verzameling persoonlijkheden en gelegenheden moeten opnemen in een tijdlijn die ze zich kunnen herinneren.

Voor dit onderzoek maakten de wetenschappers gebruik van de overanalyses, samen met stap-voor-stap terugroepen (waarin staat hoe je een mok thee maakt), unieke verhalende hervertelling (een verhaal uitleggen van foto's aangeboden in een woordeloze kinderverhaalpublicatie) , evenals conversatiespraak (aanwijzingen geven aan een extra persoon, een pad uitleggen via sites op een kaart), om tekenen van de ziekte van Alzheimer te herkennen via spraakevaluatie.

Na onderzoek van de uitkomsten van 50 testpersonen (25 met een matige ziekte van Alzheimer of een matige cognitieve handicap, evenals 25 gezonde en evenwichtige controles), ontdekte de groep dat het vertellen van een overgeleerd verhaal, zoals Assepoester, de meest nauwkeurige resultaten opleverde. Het machine-leersysteem waarvan gebruik werd gemaakt, had de mogelijkheid om met 78% nauwkeurigheid te identificeren of een persoon Alzheimer had of een matige cognitieve handicap, met de taak 'Cookiediefstal' vlak achter op 76% - resultaten die vergelijkbaar zijn met bestaande tests voor ziekte. De andere beoordeelde taken gaven nauwkeurigheden variërend tussen 62% (nieuwe verhalende hervertelling) en 74% (procedurele herinnering).

"Ons resultatenprogramma dat door het veranderen van de banen die worden gebruikt om de ziekte van Alzheimer te evalueren, we de mogelijkheid hebben om de toestand met grotere precisie op te sporen via spraakevaluatie", zegt studieauteur en laatstejaars Ph.D. student aan St George's, Natasha Clarke.

Clarke merkt op dat grotere studies nodig zijn om hun begrip van hun beoordelingen nog verder te verbeteren, en voegt eraan toe: "Op de lange termijn zouden we willen dat deze moderne technologie vanaf een andere locatie zou kunnen worden gebruikt, zoals via toepassingen op slimme apparaten, waardoor stress en angst worden geminimaliseerd. rond screening op conditie. Als we screening eenvoudiger kunnen maken, kunnen we daarna idealiter de aandoening eerder identificeren en sneller met individuen omgaan."

Na de resultaten van dit onderzoek wil de groep momenteel een jaar later een aantal onderzoekspersonen volgen om aanpassingen in de loop van de tijd te evalueren en meer te ontdekken over de ontwikkeling van de conditie.