AI-vezérelt szarkopénia kockázatértékelés és felismerés (SARC-AI)

Háttér:

A szarkopénia, amelyet a csontizomtömeg és -funkció progresszív elvesztése definiál, jelentős kockázatot jelent az időseknél az elesések, a rokkantság, a metabolikus diszfunkció és a halálozás szempontjából. A jelenlegi klinikai diagnosztika az izomerő vagy izomtömeg statikus mérésére támaszkodik, gyakran kihagyva a korai stádiumú vagy szubklinikus hanyatlást. Ezen túlmenően a hagyományos beavatkozások, mint az ellenállásos edzés és a megnövelt fehérjebevitel, nagy egyéni variabilitást mutatnak az eredményekben az olyan tényezők miatt, mint az alapvonali izomfenotípus, a metabolikus állapot, a genetika és a bélmikrobiom összetétele. Az új technológiák, köztük a hordozható érzékelők, a nagy átviteli sebességű metabolikus profilozás és az AI/ML megközelítések lehetőséget nyújtanak prediktív, individualizált keretrendszerek kialakítására a szarkopénia kockázatértékelése és kezelése terén.

Célok:

• AI-alapú modell fejlesztése és validálása, amely integrálja az izomösszetételt, a funkcionális teljesítményt és a metabolikus biomarkereket a szarkopénia kockázat előrejelzésére.
• Személyre szabott, adaptív beavatkozás implementálása, amely kombinálja a mozgást és a táplálkozást, AI-előrejelzések és valós idejű monitorozás alapján.
• A beavatkozás hatékonyságának értékelése az izomtömegre, a funkcionális teljesítményre és a metabolikus egészségre idősekben.

Módszerek:

1. fázis: Retrospektív elemzés multimodális adatokról 3500 felnőtt részvételével, beleértve az izomösszetételt (DXA, MRI), funkcionális teszteket (fogóerő, székből felállás), metabolikus markereket és mikrobioom profilokat. AI/ML modelleket fogunk kiképezni a szarkopénia kockázat előrejelzésére és a kulcsfontosságú prediktív jellemzők azonosítására. A validálás egy újonnan toborzott résztvevők alcsoportján történik, szokásos ellátás mellett.

2. fázis: 12 hetes prospektív beavatkozás 120, 50-70 éves felnőtt részvételével, akiket az 1. fázis előrejelzései alapján szarkopénia kockázati csoportokba sorolunk. A résztvevők AI-vezérelt személyre szabott mozgást (ellenállásos és aerob) és táplálkozási terveket kapnak, amelyeket hordozható érzékelők és mobilalkalmazás segítségével monitorozunk. Az adatgyűjtés magában foglalja az MRI-t és DXA-t az izomösszetételhez, funkcionális teljesítményteszteket, metabolikus és gyulladásos biomarkereket, mikrobioom profilozást és önkitöltős eredményeket. A beavatkozásra adott választ vegyes hatású modellekkel és ML-lel elemezzük a hatékonyság prediktorainak azonosítása érdekében.

Jelentőség és innováció:

Ez a tanulmány integrálja az AI-alapú kockázatelőrejelzést a személyre szabott, valós idejű adaptív beavatkozásokkal, megcélzva a jelenlegi diagnosztikai és terápiás hiányosságokat a szarkopénia ellátásában. Az izomszerkezet, funkció, metabolikus, viselkedési és mikrobioom adatok kombinálásával lehetővé teszi az izomhanyatlás korai észlelését, az egyéni kezelést és a jobb betartást. A keretrendszer potenciálisan alkalmazható széles körű klinikai transzlációra, digitális egészségügyi integrációra és jövőbeli kereskedelmi célú felhasználásra skálázható, AI-alapú szarkopénia platformként.

Várható eredmények:

• AI-alapú szarkopénia szűrőeszközök a korai felismeréshez és kockázati rétegezéshez.
• Személyre szabott mozgási és táplálkozási protokollok, amelyek az egyéni kockázathoz és fiziológiához igazodnak.
• Skálázható, adatvezérelt beavatkozási keretrendszer, amely alkalmas klinikai vagy otthoni telepítésre.

Fokozott megértés a szarkopénia beavatkozásokra adott heterogén válaszokról.