استفاده از فناوری ضبط حرکت و هوش مصنوعی برای نظارت بر پیشرفت اختلالات حرکتی

دانشمندان امیدوارند که علاوه بر استفاده از این فناوری برای نظارت بر بیماران در آزمایش‌های بالینی، روزی بتواند برای نظارت یا تشخیص طیفی از بیماری‌های رایج که بر رفتار حرکتی تأثیر می‌گذارند مانند زوال عقل، سکته مغزی و شرایط ارتوپدی نیز استفاده شود.

پروفسور ریچارد فستنشتاین، یکی از نویسندگان هر دو مطالعه، از مؤسسه علوم پزشکی MRC لندن و گروه علوم مغز در امپریال کالج لندن، گفت: «بیماران و خانواده‌ها اغلب می‌خواهند بدانند بیماریشان چگونه در حال پیشرفت است و فناوری ضبط حرکت همراه با هوش مصنوعی. ما امیدواریم که این تحقیق پتانسیل تغییر کارآزمایی‌های بالینی در اختلالات حرکتی نادر، و همچنین بهبود تشخیص و نظارت بر بیماران بالاتر از سطح عملکرد انسانی را داشته باشد.»

این دو مقاله کار همکاری بزرگی از محققان و متخصصان را در زمینه فناوری هوش مصنوعی، مهندسی، ژنتیک و تخصص های بالینی برجسته می کند. اینها شامل محققان دپارتمان مهندسی زیستی امپریال و دپارتمان محاسبات، موسسه علوم پزشکی MRC لندن (MRC LMS)، مرکز UKRI در هوش مصنوعی برای مراقبت های بهداشتی، UCL Great Ormond Street Institute for Child Health (UCL GOS ICH)، NIHR Great هستند. مرکز تحقیقات بیومدیکال بیمارستان خیابان اورموند (NIHR GOSH BRC)، کالج امپریال لندن، مرکز آتاکسیا در موسسه نورولوژی کوئین اسکوئر UCL، بیمارستان خیابان بزرگ اورموند، بیمارستان ملی مغز و اعصاب و جراحی مغز و اعصاب، بیمارستان ملی مغز و اعصاب و جراحی مغز و اعصاب (UCLH و UCL/) UCL BRC)، دانشگاه بایروث در آلمان و بیمارستان Gemelli در رم، ایتالیا.

اثر انگشت حرکت – آزمایشات در جزئیات

به طور مشابه، در مطالعه FA، محققان نشان دادند که می‌توانند با 10 بیمار به جای بیش از 160، به همان دقت دست یابند. این فناوری هوش مصنوعی به ویژه در مطالعه بیماری‌های نادر، زمانی که جمعیت بیماران کوچک‌تر است، قدرتمند است. علاوه بر این، این فناوری امکان مطالعه بیماران را در سراسر رویدادهای بیماری تغییردهنده زندگی مانند از دست دادن راه رفتن فراهم می‌کند، در حالی که آزمایش‌های بالینی کنونی گروه‌های بیماران سرپایی یا غیرآمبولانس را هدف قرار می‌دهند.

نقل قول های نویسنده

ردیابی پیشرفت FA و DMD معمولاً از طریق آزمایش های فشرده در یک محیط بالینی انجام می شود. این مقالات ارزیابی دقیق تری را ارائه می دهند که دقت و عینیت داده های جمع آوری شده را نیز افزایش می دهد.

اولین نویسنده مشترک در هر دو مطالعه، دکتر بالاسوندارام کادیرولو، محقق فوق دکترا در گروه‌های محاسباتی و مهندسی زیستی امپریال کالج لندن، گفت: “ما از اینکه دیدیم الگوریتم هوش مصنوعی ما چگونه می‌تواند راه‌های جدیدی را برای تجزیه و تحلیل حرکات انسان پیدا کند شگفت زده شدیم. آنها «اثر انگشت رفتاری» هستند، زیرا دقیقاً مانند اثر انگشت دست شما به ما امکان می‌دهد فرد را شناسایی کنیم، این اثر انگشت دیجیتال دقیقاً بیماری را مشخص می‌کند، فرقی نمی‌کند بیمار روی ویلچر باشد یا راه می‌رود، در کلینیک در حال انجام ارزیابی یا صرف ناهار در یک کافه. “

در دو مطالعه پیشگامانه که در Nature Medicine منتشر شده است، یک تیم بین رشته‌ای متشکل از هوش مصنوعی و محققان بالینی نشان داده‌اند که با ترکیب داده‌های حرکتی انسان جمع‌آوری‌شده از فناوری پوشیدنی با فناوری جدید قدرتمند هوش مصنوعی پزشکی، می‌توانند الگوهای حرکتی واضح را شناسایی کنند. پیش بینی پیشرفت بیماری در آینده و افزایش قابل توجه کارآزمایی بالینی در دو اختلال نادر بسیار متفاوت، دیستروفی عضلانی دوشن (DMD) و آتاکسی فریدریش (FA).

دکتر والریا ریکوتی، مدرس افتخاری بالینی UCL GOS ICH، نویسنده مشترک اولین مطالعه DMD و نویسنده مشترک مطالعه FA، گفت: “تحقیق در شرایط نادر می تواند به طور قابل توجهی پرهزینه تر و از نظر لجستیکی چالش برانگیز باشد، به این معنی که بیماران از دست می دهند. افزایش کارآیی آزمایش‌های بالینی به ما امید می‌دهد که بتوانیم درمان‌های بیشتری را با موفقیت آزمایش کنیم.»

دانشمندان همچنین دریافتند که تکنیک جدید هوش مصنوعی همچنین می‌تواند پیش‌بینی‌های پیشرفت بیماری تک‌تک بیماران را در طی شش ماه در مقایسه با ارزیابی‌های استاندارد طلایی فعلی، به طور قابل توجهی بهبود بخشد. چنین پیش‌بینی دقیقی امکان اجرای کارآزمایی‌های بالینی را مؤثرتر می‌سازد تا بیماران بتوانند سریع‌تر به درمان‌های جدید دسترسی داشته باشند و همچنین به دوز دقیق‌تر داروها کمک کنند.

اعداد کوچکتر برای آزمایشات بالینی آینده

یک تیم چند رشته ای از محققان راهی برای نظارت بر پیشرفت اختلالات حرکتی با استفاده از فناوری ضبط حرکت و هوش مصنوعی ایجاد کرده اند.

در مطالعه FA، تیم‌هایی در کالج امپریال لندن و مرکز آتاکسیا، مؤسسه نورولوژی کوئین اسکوئر UCL با بیماران برای شناسایی الگوهای حرکتی کلیدی و پیش‌بینی نشانگرهای ژنتیکی بیماری کار کردند. FA شایع ترین آتاکسی ارثی است و ناشی از تکرار سه گانه بزرگ DNA است که ژن FA را خاموش می کند. با استفاده از این فناوری جدید هوش مصنوعی، تیم توانست از داده‌های حرکتی برای پیش‌بینی دقیق «خاموش شدن» ژن FA استفاده کند و میزان فعال بودن آن را بدون نیاز به گرفتن نمونه‌های بیولوژیکی از بیماران اندازه‌گیری کند.

در این مطالعه متمرکز بر DMD، محققان و پزشکان در کالج امپریال لندن، بیمارستان گریت اورموند استریت و دانشگاه کالج لندن لباس سنسور پوشیده شده روی بدن را در 21 کودک مبتلا به DMD و 17 فرد سالم همسان با سن آزمایش کردند. کودکان در حین انجام ارزیابی‌های بالینی استاندارد (مانند آزمایش پیاده‌روی ۶ دقیقه‌ای) و همچنین انجام فعالیت‌های روزمره خود مانند صرف ناهار یا بازی، از حسگرها استفاده می‌کردند.

“تعداد زیادی از بیماران FA که از نظر بالینی و ژنتیکی در مؤسسه عصب‌شناسی مرکز آتاکسیا کوئین اسکوئر UCL مشخص شده بودند، علاوه بر اطلاعات مهم ما در پروتکل بالینی، این پروژه را ممکن ساخته است. ما همچنین از همه بیماران خود سپاسگزاریم. که در این پروژه شرکت کردند.”

این تیم توانست مقیاس رتبه‌بندی را برای تعیین سطح ناتوانی آتاکسی SARA و ارزیابی‌های عملکردی مانند راه رفتن، حرکات دست/بازو (SCAFI) در 9 بیمار FA و کنترل‌های مشابه اجرا کند. سپس نتایج این ارزیابی‌های بالینی معتبر با نتایج به‌دست‌آمده از استفاده از فناوری جدید بر روی همان بیماران و گروه‌های کنترل مقایسه شد. دومی حساسیت بیشتری در پیش بینی پیشرفت بیماری نشان می دهد.

محققان تخمین می زنند که استفاده از این نشانگرهای بیماری به این معنی است که در مقایسه با روش های فعلی، بیماران به میزان قابل توجهی کمتر برای تولید داروی جدید نیاز دارند. این امر به ویژه برای بیماری‌های نادری که شناسایی بیماران مناسب دشوار است، اهمیت دارد.

پروفسور توماس وویت، یکی از نویسندگان هر دو مطالعه، مدیر مرکز تحقیقات بیومدیکال NIHR Great Ormond Street (NIHR GOSH BRC) و پروفسور علوم اعصاب تکاملی در UCL GOS ICH، گفت: “این مطالعات نشان می دهد که چگونه فناوری نوآورانه می تواند به طور قابل توجهی روش ما را بهبود بخشد. بیماری‌ها را روزانه مطالعه کنید. تأثیر این، در کنار دانش بالینی تخصصی، نه تنها کارآیی آزمایش‌های بالینی را بهبود می‌بخشد، بلکه این پتانسیل را دارد که در طیف وسیعی از شرایط تأثیرگذار بر حرکت تأثیر بگذارد. این به لطف همکاری‌های بین تحقیقات است. موسسات، بیمارستان ها، تخصص های بالینی و با بیماران و خانواده های متعهد که می توانیم حل مشکلات چالش برانگیز پیش روی تحقیقات بیماری های نادر را آغاز کنیم.”

نویسنده ارشد و مسئول هر دو مقاله، پروفسور آلدو فیصل، از گروه‌های مهندسی زیستی و محاسباتی امپریال کالج لندن، که همچنین مدیر مرکز آموزش دکتری هوش مصنوعی UKRI برای مراقبت‌های بهداشتی، و کرسی سلامت دیجیتال در دانشگاه بایروث است. آلمان) و دارنده بورسیه هوش مصنوعی تورینگ UKRI، گفت: “رویکرد ما حجم عظیمی از داده‌ها را از حرکت تمام بدن فرد جمع‌آوری می‌کند – بیش از هر متخصص مغز و اعصاب دقت یا زمان لازم برای مشاهده در بیمار را داشته باشد. فناوری هوش مصنوعی ما یک دوقلوی دیجیتالی بیمار و به ما امکان می دهد پیش بینی های بی سابقه و دقیقی از چگونگی پیشرفت بیماری یک بیمار انجام دهیم. ما معتقدیم که فناوری هوش مصنوعی یکسان در دو بیماری بسیار متفاوت کار می کند، نشان می دهد که چقدر امیدوار کننده است که در بسیاری از بیماری ها به کار گرفته شود و کمک کند. ما برای بسیاری از بیماری‌های بیشتر، سریع‌تر، ارزان‌تر و دقیق‌تر درمان کنیم.”

در هر دو مطالعه، تمام داده‌های حسگرها جمع‌آوری شد و به فناوری هوش مصنوعی برای ایجاد آواتارهای فردی و تجزیه و تحلیل حرکات وارد شد. این مجموعه داده گسترده و ابزار محاسباتی قدرتمند به محققان اجازه می‌دهد تا اثر انگشت حرکتی کلیدی را که در کودکان مبتلا به DMD و همچنین بزرگسالان مبتلا به FA مشاهده می‌شود، تعریف کنند که در گروه کنترل متفاوت بود. بسیاری از این الگوهای حرکتی مبتنی بر هوش مصنوعی قبلاً در DMD یا FA به صورت بالینی توصیف نشده بودند.

این تحقیق توسط یک بورسیه هوش مصنوعی تورینگ UKRI به پروفسور فیصل، مرکز تحقیقات بیومدیکال کالج امپراتوری NIHR (BRC)، موسسه علوم پزشکی MRC لندن، صندوق تحقیقات دوشن، بیمارستان NIHR Great Ormond Street Hospital (GOSH) BRC، UCL تامین شد. /UCLH BRC، و شورای تحقیقات پزشکی بریتانیا.