경도인지장애 및 초기 알츠하이머병과 관련된 요인 식별을 위한 웨어러블 기기 활용

경도인지장애(MCI)와 초기 알츠하이머병(AD)은 신경퇴행성 인지 장애의 연속체를 따라 중요한 단계를 나타냅니다. 이러한 상태를 이해하는 것은 조기 진단을 가능하게 하고, 표적 치료 전략을 시행하며, 환자와 돌봄 제공자의 삶의 질을 향상시키고 가능한 경우 신경퇴행성 진행을 지연시키기 위한 포괄적인 돌봄 계획을 개발하는 데 필수적입니다.

치매의 전 세계적 부담은 빠르게 증가하고 있으며 시급한 공중보건 문제를 제기합니다. 예측에 따르면 2050년까지 전 세계적으로 약 1억 1500만 명이 치매와 함께 살게 될 것으로 추정됩니다. 미국만 하더라도 MCI 유병률은 2060년까지 2100만 명 이상, 알츠하이머병 사례는 거의 1400만 건에 이를 것으로 예상됩니다. 이 수치는 특히 조기 진단 전략과 예방적, 맞춤형 돌봄 접근법에서 전환 신경과학의 발전이 시급히 필요함을 강조합니다.

이러한 맥락에서 웨어러블 기술은 실제 환경에서 생리적 및 행동적 매개변수를 연속적이고 비침습적으로 모니터링하는 유망한 도구로 부상했습니다. 스마트워치와 스마트 링과 같은 장치는 심박수 변이성, 수면 구조, 신체 활동 및 일주기 리듬과 관련된 데이터의 종단적 수집을 가능하게 합니다. 이러한 요소들은 점점 더 인지 저하와 연관되고 있습니다. 새로운 증거는 이러한 매개변수의 변화가 초기 인지 장애보다 앞서거나 동반할 수 있음을 시사합니다. 고급 인공지능(AI) 방법과 통합될 때, 이러한 데이터는 명백한 임상 증상보다 앞서는 초기 신경퇴행성 과정을 나타내는 미묘한 패턴을 드러낼 수 있습니다.

웨어러블에서 파생된 데이터를 신경영상 및 뇌파검사(EEG)와 결합하면 더욱 강력한 진단 모델을 생성할 수 있는 잠재력이 있습니다. 웨어러블은 행동 및 생리학적 역학을 포착하는 반면, 자기공명영상(MRI)은 뇌 구조와 기능에 대한 상세한 정보를 제공하고, EEG는 초기 인지 장애와 연결된 신경 진동 및 연결성 패턴 분석을 가능하게 합니다. 이러한 다중 모드 데이터 스트림의 통합은 복잡한 방법론적 과제를 나타내며, 이질적이고 고차원의 데이터 세트를 처리할 수 있는 고급 계산 프레임워크가 필요합니다.

인공지능과 기계 학습의 발전은 다중 모드 데이터 통합과 전통적인 분석 접근법으로는 감지할 수 없는 복잡한 패턴 식별을 가능하게 합니다. 웨어러블에서 파생된 생리적 및 행동적 특징을 신경심리학적, 신경영상 및 EEG 파생 변수와 결합하는 다중 모드 데이터 융합 전략은 진단 성능을 향상시키고 개별화된 위험 계층화를 지원할 수 있습니다.

본 연구는 MCI 및 초기 알츠하이머병의 조기 발견을 목표로 하는 AI 기반 모델의 개발 및 검증을 위해 다중 모드 임상 및 디지털 데이터를 통합하도록 설계된 관찰적, 분석적, 단일 기관, 전향적 코호트 연구입니다. 이 연구는 고도의 복잡한 치료를 위한 3차 교육 병원이자 지역 전문 센터인 제툴리우 바르가스 대학 병원(HUGV)에서 수행되며, 지능형 시스템, 데이터 인프라 및 AI 모델 개발에 대한 전문성을 제공하는 전자 및 정보 기술 연구 개발 센터(CETELI/UFAM)와 협력합니다.

기계 학습 및 딥러닝 접근법은 인지 저하와 관련된 패턴을 식별하고, MCI 및 초기 AD의 조기 발견을 지원하며, 위험 계층화를 가능하게 하는 데 적용됩니다. 모델 개발 및 검증은 견고성, 해석 가능성 및 잠재적 임상 적용 가능성을 우선시합니다.

본 연구는 인지 장애의 조기 발견을 위한 확장 가능하고 접근 가능하며 비침습적인 AI 기반 도구 개발을 지원하는 것을 목표로 합니다. 연속적인 웨어러블 모니터링과 다중 모드 데이터 통합을 활용함으로써, 제안된 접근법은 알츠하이머병 위험이 있는 개인들을 위한 더 이른 진단, 개선된 위험 계층화 및 보다 시기적절한 중재 전략에 기여할 수 있습니다.