Käytettävissä olevien laitteiden käyttö lievän kognitiivisen heikentymisen ja varhaisen Alzheimerin taudin kanssa liittyvien tekijöiden tunnistamiseen

Lievä kognitiivinen heikentyminen (MCI) ja varhaisen vaiheen Alzheimerin tauti (AD) edustavat kriittisiä vaiheita neurodegeneratiivisten kognitiivisten häiriöiden jatkumossa. Näiden tilojen ymmärtäminen on välttämätöntä mahdollistamaan varhainen diagnosointi, kohdennettujen terapioiden toteuttaminen ja kattavien hoitosuunnitelmien kehittäminen, joiden tavoitteena on parantaa potilaan ja hoitajan elämänlaatua ja mahdollisesti hidastaa neurodegeneratiivista etenemistä.

Dementian maailmanlaajuinen taakka kasvaa nopeasti ja muodostaa kiireellisen kansanterveyshaasteen. Ennusteiden mukaan noin 115 miljoonaa ihmistä maailmanlaajuisesti elää dementian kanssa vuoteen 2050 mennessä. Pelkästään Yhdysvalloissa MCI:n esiintyvyyden odotetaan ylittävän 21 miljoonaa henkilöä, ja Alzheimerin tautitapauksia on lähes 14 miljoonaa vuoteen 2060 mennessä. Nämä luvut korostavat välittöntä tarvetta translaationeurotieteen edistymiselle, erityisesti varhaisissa diagnostiikkastrategioissa ja ehkäisevissä, personoiduissa hoitomenetelmissä.

Tässä yhteydessä kannettavat teknologiat ovat nousseet lupaaviksi työkaluiksi jatkuvaan, ei-invasiiviseen fysiologisten ja käyttäytymisen parametrien seurantaan arkielämän olosuhteissa. Laitteet kuten älykellot ja -sormukset mahdollistavat sydämen sykkeen vaihtelun, unen rakenteen, fyysisen aktiivisuuden ja vuorokausirytmien liittyvien tietojen pitkittäisen keräämisen – tekijät, jotka yhä enemmän liitetään kognitiiviseen heikkenemiseen. Uudet näyttöaineistot viittaavat siihen, että muutokset näissä parametreissa voivat edeltää tai seurata varhaista kognitiivista heikentymistä. Kun nämä tiedot yhdistetään kehittyneisiin tekoälymenetelmiin, ne voivat paljastaa hienovaraisia kuvioita, jotka osoittavat varhaisia neurodegeneratiivisia prosesseja ennen selkeitä kliinisiä oireita.

Kannettavista laitteista saatujen tietojen yhdistäminen neurokuvantamiseen ja elektroenkefalografiaan (EEG) voi mahdollistaa vankempien diagnostiikkamallien luomisen. Kun kannettavat laitteet tallentavat käyttäytymisen ja fysiologian dynamiikkaa, magneettikuvaus (MRI) tarjoaa yksityiskohtaista tietoa aivojen rakenteesta ja toiminnasta, ja EEG mahdollistaa varhaiseen kognitiiviseen heikentymiseen liittyvien hermovärähtelyjen ja yhteyksien analysoinnin. Näiden monimuotoisten tietovirtojen integrointi edustaa monimutkaista metodologista haastetta, joka vaatii kehittyneitä laskennallisia viitekehyksiä heterogeenisten, korkeaulotteisten tietojoukkojen käsittelyyn.

Tekoälyn ja koneoppimisen edistys mahdollistaa monimuotoisten tietojen integroinnin ja monimutkaisten kuvioiden tunnistamisen, joita perinteiset analyyttiset lähestymistavat eivät pysty havaitsemaan. Monimuotoiset tietojen fuusiointistrategiat, jotka yhdistävät kannettavista laitteista saatuja fysiologisia ja käyttäytymisen piirteitä neuropsykologisiin, neurokuvantamiseen ja EEG:stä saataviin muuttujiin, voivat parantaa diagnostiikan suorituskykyä ja tukea yksilöllistä riskiluokittelua.

Tämä on havainnollinen, analyyttinen, yksikeskuksinen, prospektiivinen kohorttitutkimus, joka on suunniteltu integroimaan monimuotoisia kliinisiä ja digitaalisia tietoja tekoälypohjaisten mallien kehittämiseen ja validointiin, joiden tavoitteena on MCI:n ja varhaisen Alzheimerin taudin varhainen havaitseminen. Tutkimus toteutetaan Getúlio Vargasin yliopistosairaalassa (HUGV), joka on kolmannen tason akateeminen keskus ja alueellinen viitekehys korkean monimutkaisuuden hoidolle, yhteistyössä Sähköisen ja informaatioteknologian tutkimus- ja kehityskeskuksen (CETELI/UFAM) kanssa, joka tarjoaa asiantuntemusta älykkäistä järjestelmistä, tietoinfrastruktuurista ja tekoälymallien kehityksestä.

Koneoppimisen ja syväoppimisen lähestymistapoja sovelletaan kognitiiviseen heikkenemiseen liittyvien kuvioiden tunnistamiseen, MCI:n ja varhaisen AD:n varhaisen havaitsemisen tukemiseen ja riskiluokittelun mahdollistamiseen. Mallien kehittäminen ja validointi priorisoi vankkuutta, tulkittavuutta ja mahdollista kliinistä sovellettavuutta.

Tämän tutkimuksen tavoitteena on tukea skaalautuvien, saavutettavien ja ei-invasiivisten tekoälypohjaisten työkalujen kehittämistä kognitiivisen heikentymisen varhaiseen havaitsemiseen. Hyödyntämällä jatkuvaa kannettavien laitteiden seurantaa ja monimuotoisten tietojen integrointia ehdotettu lähestymistapa voi edistää aiempaa diagnoosia, parantaa riskiluokittelua ja ajoittaa aikaisempia interventiostrategioita Alzheimerin taudin riskissä oleville henkilöille.