Скрининг болезни Альцгеймера делает шаг вперед с японской моделью машинного обучения

В прорывном развитии японскийский Университет Оита и фармацевтическая компания Eisai Co. представили первую в мире модель машинного обучения, предназначенную для прогнозирования накопления амилоидного бета (Aβ) в мозге, ключевого патологического фактора болезни Альцгеймера (БА).

Эта революционная модель использует данные, собранные с носимых датчиков (браслетов), для легкой оценки накопления амилоида бета в мозге с использованием биологических данных и данных о образе жизни.

Решение проблем раннего выявления

Болезнь Альцгеймера, на которую приходится более 60% случаев деменции, характеризуется постепенным накоплением Aβ в мозге. Этот процесс начинается примерно за два десятилетия до появления клинических симптомов. 

В ответ на эту насущную проблему предпринимались усилия по разработке терапевтических препаратов, нацеленных на Aβ, что привело к одобрению в Японии гуманизированного моноклонального антитела против растворимых агрегатов Aβ.

Эффективность таких лекарств зависит от раннего выявления накопления Aβ у лиц с легкими когнитивными нарушениями, желательно до проявления симптомов. Выявление накопления амилоида бета в мозге опирается на дорогие и инвазивные методы, такие как позитронно-эмиссионная томография (амилоидная ПЭТ) и анализ спинномозговой жидкости (анализ CSF). 

Эти тесты ограничены избранными медицинскими учреждениями и сопряжены со значительными финансовыми и процедурными трудностями. Следовательно, существует постоянный поиск доступного и удобного метода скрининга для выявления кандидатов, нуждающихся в амилоидной ПЭТ или анализе CSF.

Хотя предыдущие исследования пытались предсказать накопление амилоида бета в мозге с помощью тестов когнитивных функций, анализов крови и нейровизуализации, это исследование с использованием машинного обучения представляет собой новаторский подход, основанный на «биологических данных» и «данных об образе жизни».

Прорыв в машинном обучении

Сотрудничество между Университетом Оита и компанией Eisai Co. привело к созданию новаторской модели машинного обучения, способной предсказывать накопление амилоида бета в мозге. Что отличает эту модель, так это использование данных с носимых датчиков (браслетов), что является отходом от традиционных когнитивных тестов и методов визуализации. 

Используя биологические данные и данные об образе жизни, эта передовая технология предлагает многообещающее решение для раннего скрининга болезни Альцгеймера.

Роль амилоидного бета (Aβ)

Амилоидный бета (Aβ) — это белок, играющий центральную роль в развитии болезни Альцгеймера. При БА Aβ начинает накапливаться в мозге задолго до того, как станут очевидными клинические симптомы. Это накопление является критическим патологическим фактором, что делает его главной мишенью для терапевтических вмешательств. 

Раннее выявление накопления Aβ имеет решающее значение для максимизации эффективности лечения, так как это позволяет своевременно вмешаться в медицинский процесс, чтобы потенциально замедлить или смягчить прогрессирование заболевания.

Традиционные методы обнаружения

Позитронно-эмиссионная томография (амилоидная ПЭТ) и анализ спинномозговой жидкости (анализ CSF) традиционно были основными средствами обнаружения накопления амилоида бета в мозге. Однако эти методы представляют несколько проблем:

Ограниченная доступность: Не все медицинские учреждения обладают возможностью проводить амилоидную ПЭТ или анализ CSF, что ограничивает доступ к этим диагностическим инструментам.

Высокая стоимость: Эти тесты могут быть чрезмерно дорогими, что создает финансовое бремя для многих пациентов.

Инвазивность: Процедуры амилоидной ПЭТ и анализа CSF могут быть инвазивными и неудобными для пациентов.

Новый подход

Прорывная модель машинного обучения, разработанная Университетом Оита и компанией Eisai Co., представляет собой значительный отход от традиционных методов обнаружения. Включая данные с носимых датчиков (браслетов), этот подход использует биологические данные и данные об образе жизни для прогнозирования накопления амилоида бета в мозге.

Эта инновация обещает более доступный, экономичный и неинвазивный способ выявления лиц, находящихся в группе риска по болезни Альцгеймера.

На болезнь Альцгеймера влияют различные факторы риска, включая образ жизни и медицинские состояния, такие как отсутствие физических упражнений, социальная изоляция, нарушения сна, гипертония, диабет и сердечно-сосудистые заболевания. 

Хотя предыдущие исследования в основном опирались на когнитивные тесты и методы визуализации, эта модель машинного обучения учитывает более широкий спектр «биологических данных» и «данных об образе жизни» для повышения своих прогностических возможностей.