Umělá inteligence detekuje Parkinsonovu chorobu sledováním vašeho dýchání

Přesvědčivá nová studie naznačuje, že Parkinsonova nemoc (PD) by mohla být diagnostikována vzdáleným sledováním dechových vzorců člověka. Studie vedená výzkumníky z MIT představuje systém umělé inteligence, který využívá rádiové vlny k monitorování dýchání, když člověk spí.

Dina Katabi, hlavní řešitelka nového výzkumu, uvedla, že studie byla inspirována 200 let starými pozorováními Jamese Parkinsona, prvního lékaře, který klinicky katalogizoval příznaky degenerativního neurologického onemocnění.

„Vztah mezi Parkinsonovou chorobou a dýcháním byl zaznamenán již v roce 1817 v práci Dr. Jamese Parkinsona,“ vysvětlil Katabi. „To nás motivovalo k tomu, abychom zvážili potenciál detekce nemoci z vlastního dýchání, aniž bychom se dívali na pohyby. Některé lékařské studie ukázaly, že respirační symptomy se projevují roky před motorickými symptomy, což znamená, že atributy dýchání by mohly být slibné pro posouzení rizik před diagnózou Parkinsonovy choroby.“

Prvním krokem bylo natrénovat neuronovou síť na masivní sadě údajů o nočním dýchání. Bylo analyzováno téměř 12 000 nocí dýchání od 757 pacientů s Parkinsonovou chorobou a přibližně 7 000 zdravých kontrolních subjektů.

Testováním modelu umělé inteligence na nezávislém souboru dat bylo možné diagnostikovat pacienty s Parkinsonovou nemocí s 86% přesností pouze z jedné noci dat. V průměru studie zjistila, že 12 nocí po sobě jdoucích sledování může dosáhnout přibližně 95% přesnosti při diagnostice Parkinsonovy choroby.

Ještě zajímavější je potenciál systému pro diagnostiku Parkinsonovy choroby dříve, než se objeví jakékoli motorické příznaky. Studovaný soubor dat zahrnoval data od subjektů před a po diagnóze Parkinsonovy choroby. Tyto dvě spánkové návštěvy byly od sebe přibližně šest let a model AI mohl předpovědět Parkinsonovu chorobu v nediagnostikované kohortě se 75% přesností z prvního souboru údajů o spánku, než byla u pacienta diagnostikována Parkinsonova choroba.

„V současné době je diagnóza PD založena na přítomnosti klinických motorických symptomů, které se podle odhadů vyvinou poté, co 50–80 % dopaminergních neuronů již degenerovalo,“ píší vědci ve studii. „Náš systém vykazuje první důkazy, že by mohl potenciálně poskytnout hodnocení rizik před klinickými motorickými příznaky.“

K ověření systému jako časného diagnostického nástroje je samozřejmě zapotřebí více práce, ale bezprostřednější použití by mohlo být při sledování progrese onemocnění. Další údaje analyzované ve studii ukázaly, že model AI může sledovat pacienta s Parkinsonovou nemocí po dobu 12 měsíců a korelovat změny v dechových vzorcích se zvýšením závažnosti onemocnění.

Podle Katabiho by to mohlo mít využití v různých kontextech, od zlepšení klinické péče o pacienty žijící ve vzdálených prostředích až po pomoc výzkumníkům při hodnocení účinnosti nových léků v klinických studiích.

„Pokud jde o vývoj léků, výsledky mohou umožnit klinické studie s výrazně kratší dobou trvání a menším počtem účastníků, což v konečném důsledku urychlí vývoj nových terapií,“ řekl Katabi. „Pokud jde o klinickou péči, tento přístup může pomoci při hodnocení pacientů s Parkinsonovou nemocí v tradičně nedostatečně obsluhovaných komunitách, včetně těch, kteří žijí ve venkovských oblastech a těch, kteří mají potíže opustit domov kvůli omezené pohyblivosti nebo kognitivním poruchám.“

Je to brzy, ale vědci již vyvinuli nástěnné zařízení, které lze použít k monitorování pacientů v jejich domově. Nakonec by tento druh zařízení mohl fungovat jako systém včasného varování pro lidi s vyšším než průměrným rizikem rozvoje Parkinsonovy choroby nebo pacienty v raném stádiu, kteří chtějí pečlivě sledovat progresi své nemoci.

„Předpokládáme, že by systém mohl být nakonec nasazen v domácnostech pacientů s PD a jednotlivců s vysokým rizikem PD (např. LRRK2 genová mutace), aby pasivně sledovali jejich stav a poskytovali zpětnou vazbu svému poskytovateli,“ spekulovali vědci v nové studii. „Pokud model detekuje eskalaci závažnosti u pacientů s PD nebo konverzi na PD u vysoce rizikových jedinců, lékař by mohl pacienta sledovat a potvrdit výsledky buď prostřednictvím telehealth nebo návštěvou kliniky.“

Nová studie byla zveřejněna v Přírodní medicína.

Zdroj: MIT