الگوریتم ضربان کارشناسان در بیماری آلزایمر تشخیص

فن آوری های جدید می تواند به کاهش اشتباه در تشخيص و بهبود آلزایمر تشخیص در پایین-منابع, مناطق, گزارش محققان.

آلزایمر بیماری ششمین علت مرگ و میر در ایالات متحده است. امروز بیش از 5 میلیون آمریکایی در حال زندگی با اختلال نورودژنراتيو و این تعداد پیش بینی شده است به افزایش به 14 میلیون نفر تا سال 2050.

چرا که افراد مختلف علائم مختلف می توان آن را سخت به روشنی تشخیص بیماری آلزایمر و حتی سخت تر برای پیش بینی احتمال که یک فرد دچار این بیماری است.

محققان در حال ساخت است که پیش بینی ساده تر و خاص تر با کمک یک الگوریتم یادگیری است که متکی بر چند شاخص از جمله تصویربرداری رزونانس مغناطیسی (MRI) از مغز اسکن سن و نمرات Mini-Mental State Examination (MMSE) که از راه های معمول برای اندازه گیری اختلال شناختی.

الگوریتم تولید بصری تجسم آلزایمر خطر منجر به تشخیص دقیق.

بیماری آلزایمر تشخیص توسط کامپیوتر

به توسعه الگوریتم محققان برای اولین بار کار با داده ها را از یک بزرگ ملی کوهورت بیماری آلزایمر تصویربرداری ابتکار و سپس تایید یافته های خود را با استفاده از داده ها از سه مهم دیگر جوامع از جمله Framingham Heart مطالعه است.

“ما محققان با استفاده خام اسکن MRI از مغز همراه با جمعیتی و بالینی اطلاعات از افراد مبتلا به بیماری آلزایمر و همچنین از مردم عادی و شناخت از چهار های مختلف ملی گروه می گوید:” Vijaya Kolachalama استادیار در دانشگاه بوستون دانشکده پزشکی.

“ما نیز به دست آمده postmortem داده ها در یک گروه کوچک از افرادی که مورد بررسی قرار گرفت برای حضور هر گونه بیماری آلزایمر مرتبط با آسیب شناسی. جالب است که ما دریافتیم که مدل ما پیش بینی [آلزایمر خطر ابتلا] در ارتباط با neuropathology نمرات در این موارد است.”

چون postmortem یافته ها قطعی در نظر تایید بیماری آلزایمر Kolachalama می گوید موفق مقایسه مبتنی بر مدل پیش بینی در شواهد بیولوژیکی. محققان در Kolachalama آزمایشگاه و سپس در زمان تلاش خود را برای اعتبار سنجی یک گام بیشتر است.

“ما درگیر یک تیم بین المللی از متخصصین مغز و اعصاب متخصص از بوستون مرکز پزشکی دانشگاه نبراسکا مرکز پزشکی دانشگاه تگزاس مرکز بهداشت و پکن اتحادیه کالج پزشکی بیمارستان برای انجام وظیفه تشخیص بیماری آلزایمر,” او می گوید. “در همان مجموعه ای از موارد خواسته ما این مدل برای پیش بینی خطر ابتلا به آلزایمر است. جالب است که در این سر به سر مقایسه این مدل انجام شده کمی بهتر از متوسط متخصص مغز و اعصاب.”

وجود ارزش زیادی در توسعه این نوع دیجیتال نشانگر می گوید: Howard Fillit موسس مدیر اجرایی و مدیر ارشد علوم افسر در آلزایمر کشف مواد مخدر پایه و اساس است.

“دیجیتال بيومارکرهای را تکمیل موجود در خون و مایع نخاعی نشانگر آزمون ها و تست های تصویربرداری عصبی می گوید:” Fillit. “آنها را قادر خواهد ساخت تا پزشکان و بیماران و مراقبان را به تصرف تغییرات مکرر در یک بیمار کاربردی و وضعیت روانی در مراحل مختلف بیماری آلزایمر. این ضروری است در غربالگری و تشخیص بیماران نظارت بر پاسخ به درمان و بهبود دقت و بهره وری از آزمایش های بالینی.”

بزرگ غذای آماده Kolachalama می گوید این است که رایانه می تواند با دقت تشخیص بیماری های ناتوان کننده مانند بیماری آلزایمر با استفاده از اطلاعات به راحتی در دسترس مانند MRI اسکن مغز. که نشان می دهد که چنین فن آوری های گسترده بالقوه به خصوص در منابع محدود تنظیمات که در آن وجود دارد کمبود پزشکان کافی تخصص مغز و اعصاب.

صرفه جویی در زندگی

این تکنولوژی همچنین می تواند به نفع diagnosticians در جهان توسعه یافته که در آن تشخیص خطاهای شایع ترین علت خطاهای پزشکی بیماران گزارش حسابداری برای حدود 60 درصد از تمام خطاها و حدود 40,000 80,000 به مرگ در هر سال.

“اگر کامپیوتر مدل می تواند در تشخیص این بیماری دقت می گوید:” Kolachalama, “زندگی را می توان ذخیره و مقرون به بار خواهد بود را کاهش داده و مراقبت ارائه خواهد شد در یک مد به موقع.”

Kolachalama می گوید تیم او را رویکرد یادگیری برای تصویربرداری عصبی نشان می دهد وعده برای طیف گسترده ای از تشخیص بالینی.

“این می تواند به راحتی سازگار به فرایند دیگر پزشکی-داده تصویربرداری مانند سی تی اسکن و اشعه ایکس” او می گوید. “همچنین می توان توسعه یافته برای تجزیه و تحلیل تصاویر از دیگر ارگان های بدن و توسعه مدل های پیش بینی برای تشخیص بیماری های دیگر است.”

این تحقیق به نظر می رسد در مغز است. اضافی محققان از Framingham Heart مطالعه کمک کند.

برای حمایت از این پروژه از مرکز ملی برای پیشبرد ابتدایی علوم, موسسه ملی بهداشت آمریکا و انجمن قلب و حریری جایزه تحقیقات از رفیق B. حریری موسسه محاسبات و علوم محاسباتی و مهندسی در دانشگاه بوستون.

منبع: دانشگاه بوستون

tinyurlis.gdclck.ruulvis.netshrtco.de

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>