به گزارش ایسنا، پژوهشگران از مدل‌های یادگیری ماشینی جهت تشخیص زودهنگام بیماری پارکینسون استفاده کردند. 

«آنیراث آنانتانارایانان»(Aniruth Ananthanarayanan) متخصص بیوانفورماتیک «دانشگاه تگزاس شمالی»(Texas) و همکارانش می‌گویند: یافته‌های ما نشان می‌دهد که مدل‌های یادگیری ماشین مبتنی بر صدا می‌توانند نشانه‌های بیماری را حتی قبل از ظاهر شدن علائم حرکتی آشکار تشخیص دهند.

به نقل از ساینس‌آلرت، پارکینسون تقریباً ۹ میلیون نفر در سراسر جهان را تحت تأثیر قرار می‌دهد. این بیماری با مشکل در کنترل حرکات و لرزش در اندام‌های بیمار مشخص می‌شود، اما چالش‌هایی را نیز در خلق‌وخو، تفکر و حافظه افراد ایجاد می‌کند.

در حالی که مکانیسم‌های پشت پرده این بیماری کم و بیش شناخته شده‌اند، اما محرک‌های اختلال در عملکرد هنوز به طور کامل درک نشده‌اند. همه چیز در این زمینه دخیل دانسته شده‌ است و یک بخش ژنتیکی نیز برای آن وجود دارد.

در حال حاضر هیچ درمانی برای بیماری پارکینسون وجود ندارد. این امر یعنی بهترین امیدی که بیماران می‌توانند داشته باشند، درمان‌هایی است که علائم را کند می‌کنند. هرچه این درمان‌ها زودتر شروع شوند، فواید بیشتری خواهند داشت. بنابراین، تشخیص زودهنگام می‌تواند تأثیر بسزایی در کیفیت زندگی آنها داشته باشد.

«آنانتانارایانان» و تیمش از مدل‌های یادگیری ماشین استفاده کردند تا تشخیص دهند آیا گروهی از داوطلبان صرفاً از روی صدایشان به بیماری پارکینسون مبتلا هستند یا خیر.

آنها مدل‌های خود را با استفاده از ۱۹۵ فایل صوتی از ۳۱ نفر آزمایش کردند و آموزش دادند. از این تعداد، ۲۳ نفر مبتلا به پارکینسون تشخیص داده شده بودند. این برنامه با جستجوی الگوها، بیماران مبتلا به این بیماری را در ۹۰ درصد موارد به طور دقیق شناسایی کرد.

ویژگی‌های صوتی ارزیابی‌شده توسط مدل‌ها شامل وجود نوسان که ناشی از ارتعاشات نامنظم تارهای صوتی است، می‌شود. نسبت هماهنگی صدا، نشانه‌ای از بسته نشدن صحیح «چاکنای»(glottis) است.

این ویژگی‌ها با علائم شناخته‌شده بیماری پارکینسون از جمله صدای خشن، مشکلات گفتاری ناشی از ضعف عضلات صوتی و کندی یا تلوتلو خوردن در حرکت مرتبط بودند.

محققان می‌گویند: علائم صوتی مانند «دیسفونی»(dysphonia)  با وجود پتانسیل تشخیصی که دارند، کمتر مورد استفاده قرار می‌گیرند.

«دیسفونی» یک اصطلاح پزشکی به معنی گرفتگی صدا یا تغییر تن گفتار است. این بیماری شامل آسیب به توانایی تولید صوت و گرفته شدن صدا است.

محققان هشدار می‌دهند: برای آزمایش تعمیم‌پذیری مدل‌هایمان به کار بیشتری نیاز است، زیرا این برنامه‌ها با استفاده از داده‌های صوتی تنها ۳۱ نفر آموزش داده شده‌اند. این موضوع احتمال اینکه روش ما بتواند طیف کاملی از تفاوت‌های صوتی دنیای واقعی را در سنین، لهجه‌ها و شرایط محیطی مختلف ثبت کند، کم می‌کند.

«آیدن آرنولد»(Aiden Arnold) دانشمندی که در این مطالعه شرکت نداشت، گفت:  این رویکرد مبتنی بر صدا به عنوان یک ابزار غربالگری زودهنگام، امیدی واقعی برای بیماران است.

اگر این یافته‌ها در جمعیت‌های گسترده‌تر نیز ثابت بمانند، چنین ابزاری می‌تواند یک گزینه آسان، مقیاس‌پذیر و مقرون‌به‌صرفه برای غربالگری زودهنگام باشد، زیرا تعداد موارد ابتلا به این بیماری همچنان در حال افزایش است.

این مطالعه هنوز در انتظار داوری همتا است.

انتهای پیام