Μια νέα μέθοδος χρησιμοποιεί μηχανική μάθηση (machine learning) για να προβλέψει τον κίνδυνο άνοιας μέσω ηλεκτρονικών ιατρικών αρχείων, επιτρέποντας την έγκαιρη παρέμβαση. Πώς εντοπίζεται ο κίνδυνος και πώς βοηθάει η μέθοδος στην αντιμετώπιση της νόσου;
Η ανίχνευση κινδύνου αποτελεί κρίσιμο βήμα για τη διαχείριση και την αντιμετώπιση της άνοιας και μπορεί να επηρεάσει την εξέλιξη της νόσου. Ερευνητές από το Regenstrief Institute, το Indiana University και το Purdue University ανέπτυξαν μια οικονομικά αποδοτική μέθοδο για την έγκαιρη ανίχνευση ατόμων που διατρέχουν κίνδυνο άνοιας.
Η έγκαιρη διάγνωση της άνοιας μπορεί να αντιμετωπίσει αποτελεσματικά τη νόσο
Αν και η άνοια παραμένει ανίατη, η διαχείριση κοινών παραγόντων κινδύνου μπορεί να μειώσει την πιθανότητα εμφάνισης της νόσου ή να επιβραδύνει την πρόοδο της γνωστικής έκπτωσης.
Άνοια: Το τεστ με το ρολόι που εντοπίζει τα πρώιμα σημάδια, σύμφωνα με κορυφαίο νευρολόγο
«Η ανίχνευση κινδύνου άνοιας είναι απαραίτητη για τον σωστό σχεδιασμό και τη διαχείριση της θεραπείας», δήλωσε ο επικεφαλής συγγραφέας της μελέτης, Dr Malaz Boustani, M.D., MPH., από το Regenstrief Institute και την IU School of Medicine, σύμφωνα με το SciTech Daily. «Θέλαμε να λύσουμε το πρόβλημα της έγκαιρης διάγνωσης ατόμων που είναι πιθανό να αναπτύξουν άνοια, χρησιμοποιώντας μια λύση που μπορεί να εφαρμοστεί σε μεγαλύτερο μέγεθος αλλά και να είναι οικονομικά προσιτή για το σύστημα υγείας».
«Για να το πετύχουμε, χρησιμοποιούμε υπάρχουσες πληροφορίες – παθητικά δεδομένα – που περιέχονται ήδη στις ιατρικές σημειώσεις του ασθενούς. Αυτό το ονομάζουμε αξιολόγηση μηδενικού χρόνου, με κόστος μικρότερο από ένα δολάριο. Χρησιμοποιούμε μια μέθοδο επιλογής περιεχομένου που εστιάζει στη λήψη αποφάσεων, για να δημιουργήσουμε μια εξατομικευμένη πρόβλεψη κινδύνου άνοιας ή να εντοπίσουμε ενδείξεις ήπιας γνωστικής έκπτωσης», συνεχίζει.
Αυτή η μέθοδος αξιοποιεί τη μηχανική μάθηση για να επιλέξει φράσεις ή προτάσεις από τις ιατρικές σημειώσεις του ασθενούς στο ηλεκτρονικό ιατρικό αρχείο (EHR). Οι σημειώσεις αυτές, γραμμένες από γιατρούς, νοσηλευτές, κοινωνικούς λειτουργούς ή άλλους επαγγελματίες υγείας, περιγράφουν την κατάσταση του ασθενούς σε μορφή ελεύθερου κειμένου.
Νέα μέθοδος πρόβλεψης του κινδύνου άνοιας – Ανάλυση πληροφοριών από ιατρικές σημειώσεις
Οι πληροφορίες που αντλούνται από τις ιατρικές σημειώσεις για την πρόβλεψη του κινδύνου άνοιας μπορεί να περιλαμβάνουν σχόλια γιατρών, παρατηρήσεις ασθενών, τιμές αρτηριακής πίεσης ή χοληστερόλης με την πάροδο του χρόνου, αξιολογήσεις της ψυχικής κατάστασης από μέλη της οικογένειας ή ιστορικό φαρμάκων – συμπεριλαμβανομένων συνταγογραφούμενων φαρμάκων, μη συνταγογραφούμενων θεραπειών και «φυσικών» συμπληρωμάτων.
Η πρόβλεψη του κινδύνου άνοιας μπορεί να βοηθήσει ασθενείς, οικογένειες και επαγγελματίες υγείας να αποκτήσουν πρόσβαση σε πόρους, όπως ομάδες υποστήριξης και το πρόγραμμα GUIDE των Centers for Medicare and Medicaid, το οποίο επιτρέπει στους ασθενείς να παραμένουν στο σπίτι τους για περισσότερο χρόνο.
Επιπλέον, η γνώση του κινδύνου μπορεί να ενθαρρύνει τους γιατρούς να διακόψουν φάρμακα που λαμβάνονται συνήθως από ηλικιωμένους αλλά είναι γνωστό ότι επηρεάζουν αρνητικά τη λειτουργία του εγκεφάλου. Μπορεί επίσης να ανοίξει τη συζήτηση για φάρμακα που χορηγούνται χωρίς συνταγή και έχουν παρόμοιες επιπτώσεις.
Η γνώση του κινδύνου άνοιας θα μπορούσε να οδηγήσει τους γιατρούς να εξετάσουν νεότερες, εγκεκριμένες από το FDA θεραπείες που μειώνουν την αμυλοειδή πρωτεΐνη, επηρεάζοντας την πορεία της νόσου Αλτσχάιμερ.
Άνοια: Η απλή συνήθεια που μπορεί να σας προστατεύσει από τη νόσο, σύμφωνα με έρευνα σε 10.000 άτομα
Μηχανική μάθηση (machine learning) και κλινικές δοκιμές
«Η μεθοδολογία μας συνδυάζει τόσο την επιβλεπόμενη όσο και τη μη επιβλεπόμενη μηχανική μάθηση, με στόχο την εξαγωγή προτάσεων που σχετίζονται με την άνοια από τον μεγάλο όγκο ιατρικών σημειώσεων που είναι διαθέσιμες για κάθε ασθενή», δήλωσε η συν-συγγραφέας της μελέτης Zina Ben Miled, PhD, M.S., συνεργαζόμενη επιστήμονας του Regenstrief Institute και πρώην μέλος του διδακτικού προσωπικού του Purdue University στην Ινδιανάπολη.
«Εκτός από τη βελτίωση της ακρίβειας πρόβλεψης, αυτή η προσέγγιση επιτρέπει στους παρόχους υγειονομικής περίθαλψης να επιβεβαιώνουν γρήγορα τη γνωστική έκπτωση, εξετάζοντας το συγκεκριμένο κείμενο που χρησιμοποιήθηκε για την αξιολόγηση του κινδύνου από το γλωσσικό μας μοντέλο».
«Οι ερευνητές του Regenstrief Institute και του Indiana University υπήρξαν πρωτοπόροι στην ανάδειξη της αξίας των ηλεκτρονικών ιατρικών αρχείων από τις αρχές της δεκαετίας του 1970. Δεδομένης της μεγάλης προσπάθειας που καταβάλλουν τόσο οι κλινικοί γιατροί όσο και οι ασθενείς για την καταγραφή δεδομένων στα EHR, ο στόχος πρέπει να είναι η μέγιστη κλινική αξιοποίηση αυτών των δεδομένων, ακόμη και πέρα από τον κεντρικό τους ρόλο στη φροντίδα υγείας», δήλωσε ο συν-συγγραφέας της μελέτης Paul Dexter, M.D., από το Regenstrief Institute και την IU School of Medicine.
«Εφαρμόζοντας μεθόδους μηχανικής μάθησης για τον εντοπισμό ασθενών με υψηλό κίνδυνο άνοιας στο μέλλον, η μελέτη μας αποτελεί ένα εξαιρετικό και καινοτόμο παράδειγμα της κλινικής αξίας που μπορεί να προκύψει από τα EHR. Η έγκαιρη αναγνώριση της άνοιας θα είναι όλο και πιο κρίσιμη, ιδιαίτερα καθώς αναπτύσσονται νέες θεραπείες».
Παρόλο που οι βασικοί ωφελούμενοι από τη νέα τεχνική είναι οι ασθενείς και οι φροντιστές τους, η δυνατότητα παροχής αξιολόγησης μηδενικού χρόνου με κόστος μικρότερο από ένα δολάριο αποτελεί ένα ξεκάθαρο πλεονέκτημα και για τους πρωτοβάθμιους κλινικούς ιατρούς, οι οποίοι συχνά είναι υπερφορτωμένοι και δεν διαθέτουν τον χρόνο ή την εξειδίκευση για τη διενέργεια εξειδικευμένων γνωστικών εξετάσεων.
Η κλινική δοκιμή 5 ετών του εργαλείου πρόβλεψης κινδύνου, που διεξάγεται στην Ινδιανάπολη και το Μαϊάμι, βρίσκεται στο τελικό της στάδιο. Τα αποτελέσματα από αυτή τη δοκιμή θα βοηθήσουν στη βελτίωση της χρησιμότητας του πλαισίου πρόβλεψης κινδύνου άνοιας στις πρακτικές της πρωτοβάθμιας φροντίδας.
Άνοια: Η κακή συνήθεια όταν χρησιμοποιούμε κινητό ή laptop που αυξάνει τον κίνδυνο
Οι ερευνητές σκοπεύουν να συνεχίσουν το έργο τους, συνδυάζοντας τις ιατρικές σημειώσεις με άλλες πληροφορίες που περιέχονται στα ηλεκτρονικά ιατρικά αρχεία, καθώς και με περιβαλλοντικά δεδομένα.