В рамках новаторской разработки японскийуниверситет Оита и фармацевтическая компания Eisai Co. представили первую в мире модель машинного обучения, предназначенную для прогнозирования накопления бета-амилоида (Aβ) в головном мозге — ключевого патологического фактора болезни Альцгеймера (БА).
Эта революционная модель использует данные, собранные с помощью датчиков на запястье, для удобного скрининга накопления бета-амилоида в мозге с использованием биологических данных и информации об образе жизни.
Решение проблем ранней диагностики
Болезнь Альцгеймера, на долю которой приходится более 60% случаев деменции, характеризуется постепенным накоплением бета-амилоида (Aβ) в головном мозге. Этот процесс начинается примерно за два десятилетия до появления клинических симптомов.
В ответ на эту насущную проблему были предприняты усилия по разработке терапевтических препаратов, нацеленных на бета-амилоид (Aβ), кульминацией которых стало одобрение в Японии гуманизированного моноклонального антитела против растворимого агрегированного бета-амилоида.
Эффективность таких препаратов зависит от раннего выявления накопления бета-амилоида у лиц с легкими когнитивными нарушениями, в идеале — до появления симптомов.dentнакопления бета-амилоида в головном мозге основано на дорогостоящих и инвазивных методах, таких какtron эмиссионная томография (ПЭТ с амилоидом) и исследование спинномозговой жидкости (исследование СМЖ).
Эти тесты доступны лишь в отдельных медицинских учреждениях и сопряжены со значительными финансовыми и процедурными затратами. Вследствие этого постоянно ведется поиск доступного и удобного метода скрининга дляdentкандидатов, нуждающихся в амилоидной ПЭТ или исследовании спинномозговой жидкости.
В то время как предыдущие исследования пытались предсказать накопление бета-амилоида в мозге с помощью тестов когнитивных функций, анализов крови и нейровизуализации, данное исследование с использованием машинного обучения представляет собой новаторский подход, основанный на «биологических данных» и «данных об образе жизни»
Прорыв в машинном обучении
В результате сотрудничества Университета Оита и компании Eisai была создана новаторская модель машинного обучения, способная прогнозировать накопление бета-амилоида в головном мозге. Отличительной особенностью этой модели является использование данных с наручных датчиков, что является отходом от традиционных когнитивных и нейровизуализационных тестов.
Благодаря использованию биологических данных и информации об образе жизни, эта передовая технология предлагает перспективное решение для ранней диагностики болезни Альцгеймера.
Роль бета-амилоида (Aβ)
Бета-амилоид (Aβ) — это белок, играющий центральную роль в развитии болезни Альцгеймера. При БА накопление Aβ в мозге начинается задолго доdentклинических симптомов. Это накопление является критическим патологическим фактором, что делает его основной мишенью для терапевтических вмешательств.
Раннее выявление накопления бета-амилоида имеет решающее значение для максимальной эффективности лечения, поскольку позволяет своевременно вмешаться врачу и потенциально замедлить или смягчить прогрессирование заболевания.
Традиционные методы обнаружения
Традиционно основными методами выявления накопления бета-амилоида в головном мозге былиtron эмиссионная томография (ПЭТ с амилоидом) и исследование спинномозговой жидкости (исследование СМЖ). Однако эти методы сопряжены с рядом трудностей:
Ограниченная доступность: Не все медицинские учреждения обладают возможностью проводить ПЭТ-сканирование на амилоид или анализ спинномозговой жидкости, что ограничивает доступ к этим диагностическим инструментам.
Высокая стоимость: Эти анализы могут быть непомерно дорогими, что делает их финансово обременительными для многих пациентов.
Инвазивность: Процедуры ПЭТ-сканирования на амилоид и анализа спинномозговой жидкости могут быть инвазивными и неприятными для пациентов.
Новый подход
Разработанная Университетом Оита и компанией Eisai новаторская модель машинного обучения представляет собой значительный отход от традиционных методов обнаружения. Благодаря использованию данных с наручных датчиков, этот подход опирается на биологические данные и информацию об образе жизни для прогнозирования накопления бета-амилоида в мозге.
Это нововведение обещает более доступный, экономически эффективный и неинвазивный способdentлиц, подверженных риску развития болезни Альцгеймера.
На развитие болезни Альцгеймера влияют различные факторы риска, включая образ жизни и медицинские состояния, такие как недостаток физической активности, социальная изоляция, нарушения сна, гипертония, диабет и сердечно-сосудистые заболевания.
В то время как предыдущие исследования в основном опирались на когнитивные и нейровизуализационные тесты, данная модель машинного обучения учитывает более широкий спектр «биологических данных» и «данных об образе жизни» для повышения своих прогностических возможностей.
