211service.com
AI kan oppdage tegn på Alzheimers før familien din gjør det
Tidligere diagnose kan hjelpe forskere med å utvikle medisiner for å bremse utviklingen av sykdommen. 19. mars 2018
Når David Graham våkner om morgenen, begynner den flate, hvite boksen som er festet med borrelås på veggen på rommet hans i Robbie's Place, et pleiehjem i Marlborough, Massachusetts, å registrere alle bevegelsene hans.
Den vet når han reiser seg, kler på seg, går til vinduet sitt eller går på do. Det kan fortelle om han sover eller har falt. Den gjør dette ved å bruke trådløse signaler med lav effekt for å kartlegge hans ganghastighet, søvnmønster, plassering og til og med pustemønster. All denne informasjonen blir lastet opp til skyen, der maskinlæringsalgoritmer finner mønstre i de tusenvis av bevegelser han gjør hver dag.
De rektangulære boksene er en del av et eksperiment for å hjelpe forskere med å spore og forstå symptomene på Alzheimers.
Det er ikke alltid åpenbart når pasienter er i de tidlige stadiene av sykdommen. Endringer i hjernen kan forårsake subtile endringer i atferd og søvnmønster år før folk begynner å oppleve forvirring og hukommelsestap. Forskere tror kunstig intelligens kan gjenkjenne disse endringene tidlig og identifisere pasienter med risiko for å utvikle de mest alvorlige formene av sykdommen.
Å oppdage de første indikasjonene på Alzheimers år før noen åpenbare symptomer kommer, kan hjelpe til med å finne personer som mest sannsynlig vil dra nytte av eksperimentelle medisiner og la familiemedlemmer planlegge for eventuell omsorg. Enheter utstyrt med slike algoritmer kan installeres i folks hjem eller i langtidspleie for å overvåke de som er i fare. For pasienter som allerede har en diagnose, kan slik teknologi hjelpe leger med å gjøre justeringer i deres omsorg.
Legemiddelfirmaer er også interessert i å bruke maskinlæringsalgoritmer, i deres tilfelle for å søke gjennom medisinske journaler etter pasientene som mest sannsynlig vil ha nytte av eksperimentelle legemidler. Når folk er i en studie, kan AI være i stand til å fortelle etterforskerne om stoffet adresserer symptomene deres.
Foreløpig er det ingen enkel måte å diagnostisere Alzheimers. Ingen enkelt test eksisterer, og hjerneskanninger alene kan ikke avgjøre om noen har sykdommen. I stedet må leger se på en rekke faktorer, inkludert pasientens sykehistorie og observasjoner rapportert av familiemedlemmer eller helsepersonell. Så maskinlæring kunne fange opp mønstre som ellers lett ville blitt savnet.
David Graham, en av Vahias pasienter, har en av de AI-drevne enhetene på rommet sitt på Robbie's Place, et hjelpesenter i Marlborough, Massachusetts.
Graham, i motsetning til de fire andre pasientene med slike enheter på rommene sine, har ikke blitt diagnostisert med Alzheimers. Men forskere overvåker bevegelsene hans og sammenligner dem med mønstre sett hos pasienter som leger mistenker har sykdommen.
Dina Katabi og hennes team ved MITs informatikk- og kunstig intelligenslaboratorium utviklet først enheten som en falldetektor for eldre mennesker. Men de innså snart at det hadde langt flere bruksområder. Hvis den kunne ta seg opp ved et fall, tenkte de, må den også kunne gjenkjenne andre bevegelser, som å gå og vandre, som kan være tegn på Alzheimers.
Katabi sier at intensjonen deres var å overvåke folk uten å trenge dem til å ta på seg en bærbar sporingsenhet hver dag. Dette er helt passivt. En pasient trenger ikke å sette sensorer på kroppen eller gjøre noe spesifikt, og det er langt mindre påtrengende enn et videokamera, sier hun.
Hvordan det fungerer
Graham legger nesten ikke merke til den hvite boksen som henger i det solbelyste, ryddige rommet hans. Han er mest klar over det på dager da Ipsit Vahia gjør sine runder og forteller ham om dataene den samler inn. Vahia er en alderspsykiater ved McLean Hospital og Harvard Medical School, og han og teknologiens oppfinnere ved MIT kjører en liten pilotstudie av enheten.
Graham ser frem til disse besøkene. Under en nylig ble han overrasket da Vahia fortalte ham at han våknet om natten. Enheten var i stand til å oppdage det, selv om Graham ikke visste at han gjorde det.
Enhetens trådløse radiosignal, bare en tusendel så kraftig som wi-fi, reflekterer alt i en radius på 30 fot, inkludert menneskekropper. Hver bevegelse – selv de minste, som å puste – forårsaker en endring i det reflekterte signalet.
Graham sier at han knapt legger merke til enheten som henger på rommet hans.
Katabi og teamet hennes utviklet maskinlæringsalgoritmer som analyserer alle disse minuttrefleksjonene. De trente systemet til å gjenkjenne enkle bevegelser som å gå og falle, og mer komplekse bevegelser som de som er forbundet med søvnforstyrrelser. Etter hvert som du lærer den mer og mer, lærer maskinen, og neste gang den ser et mønster, selv om det er for komplisert for et menneske å abstrahere det mønsteret, gjenkjenner maskinen det mønsteret, sier Katabi.
Over tid lager enheten store dataavlesninger som viser atferdsmønstre. AI er designet for å plukke ut avvik fra de mønstrene som kan bety ting som agitasjon, depresjon og søvnforstyrrelser. Det kan også fange opp om en person gjentar bestemt atferd i løpet av dagen. Dette er alle klassiske symptomer på Alzheimers.
Hvis du kan fange opp disse avvikene tidlig, vil du kunne forutse dem og hjelpe til med å håndtere dem, sier Vahia.
Hos en pasient med Alzheimers diagnose kunne Vahia og Katabi fortelle at hun våknet klokken 02.00 og vandret rundt på rommet sitt. De la også merke til at hun ville gå mer tempo etter at visse familiemedlemmer var på besøk. Etter å ha bekreftet denne oppførselen med en sykepleier, justerte Vahia pasientens dose av et medikament som ble brukt for å forhindre agitasjon.
Ipsit Vahia og Dina Katabi tester en AI-drevet enhet som Katabis laboratorium bygde for å overvåke atferden til personer med Alzheimers så vel som de som står i fare for å utvikle sykdommen.
Hjerneforandringer
AI finner også bruk for å hjelpe leger med å oppdage tidlige tegn på Alzheimers i hjernen og forstå hvordan disse fysiske endringene utspiller seg hos forskjellige mennesker. Når en radiolog leser en skanning, er det umulig å si om en person vil utvikle seg til Alzheimers sykdom, sier Pedro Rosa-Neto, en nevrolog ved McGill University i Montreal.
Rosa-Neto og hans kollega Sulantha Mathotaarachchi utviklet en algoritme som analyserte hundrevis av positron-emisjonstomografi (PET) skanninger fra personer som hadde blitt ansett i fare for å utvikle Alzheimers. Fra medisinske journaler visste forskerne hvem av disse pasientene som hadde utviklet sykdommen innen to år etter en skanning, men de ønsket å se om AI-systemet kunne identifisere dem bare ved å fange opp mønstre i bildene.
Jada nok, algoritmen klarte å oppdage mønstre i klumper av amyloid – et protein som ofte forbindes med sykdommen – i visse områder av hjernen. Selv utdannede radiologer ville ha hatt problemer med å legge merke til disse problemene på en hjerneskanning. Fra mønstrene var den i stand til å oppdage med 84 prosent nøyaktighet hvilke pasienter som endte opp med Alzheimers.
Maskinlæring hjelper også leger med å forutsi alvorlighetsgraden av sykdommen hos forskjellige pasienter. Lege og vitenskapsmann ved Duke University P. Murali Doraiswamy bruker maskinlæring for å finne ut hvilket stadium av sykdommen pasientene befinner seg i og om tilstanden deres sannsynligvis vil forverres.
Relatert historie
Relatert historieMedikamentsvikt kan fortelle oss at vi ikke vet hva som forårsaker Alzheimers sykdom.Vi har sett på Alzheimers som et problem som passer alle, sier Doraiswamy. Men personer med Alzheimers opplever ikke alle de samme symptomene, og noen kan bli verre raskere enn andre. Legene har ingen anelse om hvilke pasienter som vil holde seg stabile en stund eller hvilke som raskt blir sykere. Så vi tenkte at den beste måten å løse dette problemet på var å la en maskin gjøre det, sier han.
Han jobbet med Dragan Gamberger, en ekspert på kunstig intelligens ved Rudjer Boskovic Institute i Kroatia, for å utvikle en maskinlæringsalgoritme som sorterte gjennom hjerneskanninger og medisinske journaler fra 562 pasienter som hadde mild kognitiv svikt i begynnelsen av en femårsperiode.
To distinkte grupper dukket opp: de hvis kognisjon falt betydelig og de hvis symptomer endret seg lite eller ikke i det hele tatt i løpet av de fem årene. Systemet var i stand til å fange opp endringer i tap av hjernevev over tid.
En tredje gruppe var et sted i midten, mellom mild kognitiv svikt og avansert Alzheimers. Vi vet ikke hvorfor disse klyngene eksisterer ennå, sier Doraiswamy.
Kliniske studier
Fra 2002 til 2012, 99 prosent av undersøkelsesmedisinene mot Alzheimers mislyktes i kliniske studier. En grunn er at ingen vet nøyaktig hva som forårsaker sykdommen. Men en annen grunn er at det er vanskelig å identifisere de pasientene som mest sannsynlig vil ha nytte av spesifikke legemidler.
AI-systemer kan bidra til å designe bedre forsøk. Når vi først har disse menneskene sammen med vanlige gener, egenskaper og bildeskanninger, kommer det til å gjøre det mye lettere å teste medikamenter, sier Marilyn Miller, som leder AI-forskning på Alzheimers ved National Institute on Aging, en del av US National Institutes. av helse.
Så, når pasienter er registrert i en studie, kan forskere kontinuerlig overvåke dem for å se om de har nytte av medisinen.
En av de største utfordringene i utviklingen av medisiner mot Alzheimers er at vi ikke har hatt en god måte å analysere den rette populasjonen å teste stoffet på, sier Vaibhav Narayan, en forsker ved Johnson & Johnsons nevrovitenskapsteam.
Han sier maskinlæringsalgoritmer vil øke hastigheten på prosessen med å rekruttere pasienter til legemiddelstudier. Og hvis AI kan velge ut hvilke pasienter som mest sannsynlig vil bli verre raskere, vil det være lettere for etterforskere å finne ut om et medikament har noen fordel.
På den måten, hvis leger som Vahia legger merke til tegn på Alzheimers hos en person som Graham, kan de raskt få ham registrert for en klinisk studie i håp om å dempe de ødeleggende effektene som ellers ville komme år senere.
Miller tror AI kan brukes til å diagnostisere og forutsi Alzheimers hos pasienter om så snart som fem år fra nå. Men hun sier at det vil kreve mye data for å sikre at algoritmene er nøyaktige og pålitelige. Graham, for en, gjør sitt for å hjelpe.