31 مه 2024-© shutterstock/PopTika
محققان یک ابزار تجزیه و تحلیل گفتار مبتنی بر هوش مصنوعی ایجاد کرده اند که به طور دقیق علائم اولیه زوال عقل را تشخیص می دهد.ابزار غربالگری زودهنگام که توسط کارشناسان مرکز پزشکی UT Southwestern ابداع شده است، به طور موثر اختلالات شناختی خفیف و زوال عقل را در یک گروه اسپانیایی زبان شناسایی کرد.
دکتر Munro Cullum، نویسنده مسئول این تحقیق، بر پتانسیل این فناوری تأکید کرد: «تجزیه و تحلیل نمونه‌ای از گفتار به‌دست‌آمده در طول چند آزمایش عصبی روانشناختی مختصر و معمول، توانایی ما را در غربالگری سریع علائم اختلال شناختی، به‌ویژه در جمعیت، نوید می‌دهد. مطالعات پژوهشی مبتنی برابزارهای مبتنی بر یادگیری ماشینی مانند این ممکن است نقش مهمی را در آینده غربالگری شناختی برای زوال عقل ایفا کنند.
زوال عقل یک اصطلاح گسترده است که شامل اختلالات مختلف مغزی می شود که با کاهش عملکرد شناختی به حدی شدید که در زندگی روزمره تداخل ایجاد کند مشخص می شود و بر حافظه، تفکر، جهت گیری، درک، محاسبه، ظرفیت یادگیری، زبان و قضاوت تأثیر می گذارد.
بیماری آلزایمر شایع ترین علت زوال عقل است که 60 تا 70 درصد موارد را شامل می شود و پس از آن دمانس عروقی، زوال عقل با اجسام لوی و زوال عقل فرونتومپورال قرار دارند.
تأثیر جهانی زوال عقل قابل توجه است. بر اساس گزارش سازمان جهانی بهداشت (WHO)، بیش از 55 میلیون نفر در سراسر جهان با زوال عقل زندگی می کنند و پیش بینی می شود که این تعداد تا سال 2030 به 78 میلیون و تا سال 2050 به 139 میلیون نفر افزایش یابد.
بار اجتماعی و اقتصادی بسیار عمیق است و هزینه تخمینی آن سالانه 1.3 تریلیون دلار است که پیش بینی می شود تا سال 2030 دو برابر شود.
تحقیقات نیاز به ابزارهای تشخیصی بهتر، درمان‌های مؤثر و سیستم‌های مراقبت حمایتی برای مدیریت بحران رو به رشد زوال عقل را برجسته می‌کند.
اکنون، محققان از پتانسیل استفاده نشده هوش مصنوعی برای بهبود تشخیص زوال عقل استفاده می کنند.
برای توسعه فناوری تجزیه و تحلیل گفتار هوش مصنوعی، تیم داده‌های 195 اسپانیایی زبان را که بخشی از یک کارآزمایی بالینی در اسپانیا بودند، جمع‌آوری کرد.همه شرکت‌کنندگان در ابتدا مورد ارزیابی قرار گرفتند و به‌عنوان دارای شناخت طبیعی، اختلال شناختی خفیف (MCI) یا زوال عقل طبقه‌بندی شدند. به دلیل داده های ناقص یا کیفیت ضعیف صدا، 21 شرکت کننده حذف شدند.
گروه نهایی شامل 174 شرکت‌کننده با میانگین سنی 74 سال بود که کمی بیشتر از مردان (56%) زن بودند. آنها به یک گروه آموزشی 122 نفری (70%) و یک گروه آزمایشی 52 نفری (30%) تقسیم شدند.
محققان مدل‌های یادگیری ماشینی مستقل را با استفاده از داده‌های شرکت‌کنندگان گروه آموزشی که چهار کار زبانی را تکمیل کردند، آموزش دادند.عملکرد عصبی روانشناختی و ضبط‌های صوتی از طریق پلتفرم AcceXible، یک ابزار اختصاصی مبتنی بر وب برای تشخیص بیماری از طریق تجزیه و تحلیل گفتار، جمع‌آوری شد.سپس مدل نهایی الگوریتم تجزیه و تحلیل گفتار برای گروه آزمایش مورد استفاده قرار گرفت و توانست شرکت کنندگان از نظر شناختی عادی را از افراد مبتلا به زوال عقل یا MCI با دقت کلی 88.4 درصد و 87.5 درصد متمایز کند.
مدل نهایی از یکی از معیارهای غربالگری استاندارد مراقبتی که به عنوان معاینه وضعیت ذهنی کوچک (MMSE) شناخته می شود، بهتر عمل کرد.
