Tekoälyavusteinen sarkopenian riskiarviointi ja havaitseminen (SARC-AI)

Taustatietoa:

Sarkopenia, joka määritellään luurankolihasmassan ja -toiminnan progressiiviseksi vähenemiseksi, aiheuttaa merkittäviä riskejä kaatumisille, vammautumiselle, aineenvaihdunnan häiriöille ja kuolleisuudelle iäkkäillä aikuisilla. Nykyiset kliiniset diagnostiikkamenetelmät perustuvat lihasvoiman tai -massan staattisiin mittauksiin, jolloin varhaisvaiheen tai subkliininen heikkeneminen jää usein huomaamatta. Lisäksi perinteiset hoitomuodot, kuten voimaharjoittelu ja lisääntynyt proteiininsaanti, osoittavat suurta yksilöllistä vaihtelua tuloksissa tekijöiden, kuten lähtötason lihasfenotyypin, aineenvaihdunnan tilan, genetiikan ja suoliston mikrobiston koostumuksen, vuoksi. Kehittyvät tekniikat, kuten puettavat anturit, suorituskykyinen aineenvaihdunnan profilointi ja tekoäly/koneoppimismenetelmät, tarjoavat mahdollisuuden luoda ennakoivia, yksilöllisiä viitekehyksiä sarkopenian riskinarviointiin ja hallintaan.

Tavoitteet:

• Kehittää ja validoida tekoälyyn perustuva malli, joka integroi lihasrakenteen, toiminnallisen suorituskyvyn ja aineenvaihdunnan biomarkkerit sarkopenian riskin ennustamiseksi.
• Toteuttaa henkilökohtainen, mukautuva interventio, joka yhdistää liikunnan ja ravitsemuksen ohjattuna tekoälyn ennusteiden ja reaaliaikaisen seurannan perusteella.
• Arvioida tämän intervention tehokkuutta lihasmassaan, toiminnalliseen suorituskykyyn ja aineenvaihdunnan terveyteen iäkkäillä aikuisilla.

Menetelmät:

Vaihe 1: Retrospektiivinen analyysi monimuotoisista tiedoista 3500 aikuiselta, mukaan lukien lihasrakenne (DXA, MRI), toiminnalliset testit (puristusvoima, tuolista nouseminen), aineenvaihdunnan merkkiaineet ja mikrobistoprofiilit. Tekoäly/koneoppimismalleja koulutetaan ennustamaan sarkopenian riskiä ja tunnistamaan keskeisiä ennustavia piirteitä. Validointi suoritetaan osalla vasta rekrytoiduista osallistujista, jotka ovat tavallisen hoidon alaisina.

Vaihe 2: 12 viikon prospektiivinen interventio 120:lla 50–70-vuotiaalla aikuisella, jotka on ryhmitelty sarkopenian riskiryhmiin vaiheen 1 ennusteiden perusteella. Osallistujat saavat tekoälyn ohjaamaa henkilökohtaista liikuntaa (voima- ja aerobista) ja ravitsemussuunnitelmia, joita seurataan puettavien antureiden ja mobiilisovelluksen avulla. Tietojen keruu sisältää MRI- ja DXA-kuvauksia lihasrakenteen arviointiin, toiminnallisia suorituskykytestejä, aineenvaihdunnan ja tulehdusmerkkiaineita, mikrobistoprofilointia ja itse raportoituja tuloksia. Interventiovastetta analysoidaan käyttäen sekavaikutusmalleja ja koneoppimista tehokkuuden ennustavien tekijöiden tunnistamiseksi.

Merkitys ja innovaatio:

Tämä tutkimus integroi tekoälyn ohjaaman riskiennustuksen henkilökohtaisten, reaaliaikaisten mukautuvien interventioiden kanssa, kohdistaen nykyisiin diagnostisiin ja terapeuttisiin puutteisiin sarkopenian hoidossa. Yhdistämällä lihasrakenteen, -toiminnan, aineenvaihdunnan, käyttäytymisen ja mikrobiston tiedot, se mahdollistaa lihasheikkenemisen varhaisen havaitsemisen, yksilöllisen hoidon ja parantuneen hoitoon sitoutumisen. Viitekehyksellä on potentiaalia laajaan kliiniseen siirtoon, digitaalisen terveyden integrointiin ja tulevaan kaupallistamiseen skaalautuvana tekoälypohjaisena sarkopenia-alustana.

Odotetut tulokset:

• Tekoälypohjaiset sarkopenian seulontatyökalut varhaiseen havaitsemiseen ja riskiryhmittelyyn.
• Yksilön riskiin ja fysiologiaan räätälöidyt henkilökohtaiset liikunta- ja ravitsemussuositelmät.
• Skaalautuva, datavetoinen interventioviitekehys, joka soveltuu kliiniseen tai kotipohjaiseen käyttöön.

Parannettu ymmärrys heterogeenisista vasteista sarkopenian interventioihin.