ﺑﺨﺶ وﯾﮋه:

ﻗﺴﻤﺖ دوم

ﺗﺸﺨﯿﺺ ﭘﺎرﮐﯿﻨﺴﻮن ﺗﻮﺳﻂ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ اﺳﺘﻔﺎده از اﻃﻼﻋﺎت ﺗﻨﻔﺴﯽ در ﺣﯿﻦ ﺧﻮاب

ﻣﺤﻘﻘﺎن ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ (AI) [1] ﭘﯿﺸﺮﻓﺘﻪای را ﺗﻮﺳﻌﻪ دادهاﻧﺪ ﮐﻪ ﻣﯽﺗﻮاﻧﺪ روش ﺗﺸﺨﯿﺺ و ﭘﺎﯾﺶ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن (PD) [2] را ﻣﺘﺤﻮل ﮐﻨﺪ. ﭘﺎرﮐﯿﻨﺴﻮن ﯾﮏ اﺧﺘﻼل ﻋﺼﺒﯽ ﭘﯿﺸﺮوﻧﺪه اﺳﺖ ﮐﻪ ﻣﯿﻠﯿﻮنﻫﺎ ﻧﻔﺮ را در ﺳﺮاﺳﺮ ﺟﻬﺎن ﺗﺤﺖ ﺗﺎﺛﯿﺮ ﻗﺮار ﻣﯽدﻫﺪ و ﺑﺎر اﻗﺘﺼﺎدی PD سالانه ۵۲ ﻣﯿﻠﯿﺎرد دﻻر ﺗﺨﻤﯿﻦ زده ﻣﯽ ﺷﻮد و ﺑﺎ وﺟﻮد ﺗﺤﻘﯿﻘﺎت ﮔﺴﺘﺮده، ﻫﯿﭻ درﻣﺎن ﻓﻌﻠﯽ وﺟﻮد ﻧﺪارد ﮐﻪ ﺑﺘﻮاﻧﺪ ﭘﯿﺸﺮﻓﺖ آن را ﻣﻌﮑﻮس ﯾﺎ ﻣﺘﻮﻗﻒ ﮐﻨﺪ. PD معمولاً ﺑﺮ اﺳﺎس ﻋﻼﺋﻢ ﺣﺮﮐﺘﯽ ﻣﺎﻧﻨﺪ ﻟﺮزش و ﺳﻔﺘﯽ ﺗﺸﺨﯿﺺ داده ﻣﯽ ﺷﻮد ﮐﻪ ﺗﻨﻬﺎ ﺳﺎلﻫﺎ ﭘﺲ از ﺷﺮوع ﺑﯿﻤﺎری ﻇﺎﻫﺮ ﻣﯽﺷﻮد. اﯾﻦ اﻏﻠﺐ ﻣﻨﺠﺮ ﺑﻪ ﺗﺸﺨﯿﺺ دﯾﺮﻫﻨﮕﺎم و ﺗﺎﺧﯿﺮ در درﻣﺎن ﻣﯽﮔﺮدد. ﻋﻼوهﺑﺮ اﯾﻦ، روشﻫﺎی ﻣﻮﺟﻮد ﺑﺮای ردﯾﺎﺑﯽ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری، ﻣﺎﻧﻨﺪ ﭘﺮﺳﺸﻨﺎﻣﻪﻫﺎی ﮔﺰارش ﺷﺪه ﺗﻮﺳﻂ ﺑﯿﻤﺎر، ذﻫﻨﯽ ﻫﺴﺘﻨﺪ و ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺮای ﺗﺸﺨﯿﺺ ﺗﻐﯿﯿﺮات ﮐﻮﭼﮏ در ﺷﺪت ﺑﯿﻤﺎری در ﻃﻮل زﻣﺎن ﺣﺴﺎس ﻧﯿﺴﺘﻨﺪ.

ﺑﺎ اﯾﻦ ﺣﺎل، PD نه ﺗﻨﻬﺎ ﺑﺮ ﻋﻤﻠﮑﺮدﻫﺎی ﺣﺮﮐﺘﯽ، ﺑﻠﮑﻪ ﺑﺮ ﻧﻮاﺣﯽ ﻣﻐﺰی ﮐﻪ ﺗﻨﻔﺲ را ﮐﻨﺘﺮل ﻣﯽﮐﻨﻨﺪ ﻧﯿﺰ ﺗﺄﺛﯿﺮ ﻣﯽﮔﺬارد و اﻏﻠﺐ ﻣﻨﺠﺮ ﺑﻪ ﺑﯽ ﻧﻈﻤﯽﻫﺎی ﻇﺮﯾﻒ در اﻟﮕﻮﻫﺎی ﺗﻨﻔﺴﯽ ﻣﯽﺷﻮد. اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺪﯾﺪ ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ اﻟﮕﻮﻫﺎی ﺗﻨﻔﺴﯽ اﻓﺮاد در ﻫﻨﮕﺎم ﺧﻮاب، روﺷﯽ ﻏﯿﺮﺗﻬﺎﺟﻤﯽ و ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم اراﺋﻪ ﻣﯽدﻫﺪ.

ﭼﯿﺰی ﮐﻪ اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﻗﺎﺑﻞ ﺗﻮﺟﻪ ﻣﯽﮐﻨﺪ، ﺗﻮاﻧﺎﯾﯽ آن در ﻋﻤﻠﮑﺮد ﺑﺪون ﻧﯿﺎز ﺑﻪ دﺳﺘﮕﺎهﻫﺎی ﭘﻮﺷﯿﺪﻧﯽ اﺳﺖ. در ﻋﻮض، از ﯾﮏ ﮐﻤﺮﺑﻨﺪ ﺗﻨﻔﺴﯽ ﯾﺎ ﯾﮏ روش ﺑﺪون ﻟﻤﺲ اﺳﺘﻔﺎده ﻣﯽﮐﻨﺪ ﮐﻪ ﺷﺎﻣﻞ ﺳﯿﮕﻨﺎلﻫﺎی رادﯾﻮﯾﯽ اﺳﺖ ﮐﻪ دادهﻫﺎی ﺗﻨﻔﺴﯽ را در ﯾﮏ ﺷﺐ ﺿﺒﻂ ﻣﯽﮐﻨﺪ. ﺑﺎ ﭘﺮدازش اﯾﻦ دادهﻫﺎ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن را ﺑﺎ دﻗﺖ ﭼﺸﻤﮕﯿﺮی ﺗﺸﺨﯿﺺ دﻫﺪ و ﺣﺘﯽ ﻧﺤﻮه ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری را در ﻃﻮل زﻣﺎن ردﯾﺎﺑﯽ ﮐﻨﺪ. ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺳﯿﮕﻨﺎلﻫﺎی ﺗﻨﻔﺴﯽ ﺟﻤﻊآوریﺷﺪه در ﻃﻮل ﺷﺐ، ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭘﺘﺎﻧﺴﯿﻞ ﻗﻮی ﺑﺮای اﯾﺠﺎد اﻧﻘﻼﺑﯽ در ﻧﺤﻮه ﺗﺸﺨﯿﺺ و ﭘﺎﯾﺶ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن ﻧﺸﺎن ﻣﯽدﻫﺪ.

ﺑﻪ ﻃﻮر ﺳﻨﺘﯽ، ﺗﺸﺨﯿﺺ ﭘﺎرﮐﯿﻨﺴﻮن ﺑﻪ ﻣﺸﺎﻫﺪات ﺑﺎﻟﯿﻨﯽ ﻣﺘﮑﯽ اﺳﺖ ﮐﻪ اﻏﻠﺐ ﻣﻨﺠﺮ ﺑﻪ ﺗﺸﺨﯿﺺ دﯾﺮﻫﻨﮕﺎم ﻣﯽﺷﻮد زﯾﺮا ﻋﻼﺋﻢ ﺣﺮﮐﺘﯽ ﺳﺎلﻫﺎ ﭘﺲ از ﺷﺮوع ﺑﯿﻤﺎری ﻇﺎﻫﺮ ﻣﯽﺷﻮﻧﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ردﯾﺎﺑﯽ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری اﻏﻠﺐ ﺑﺮ اﺳﺎس ﻋﻼﺋﻢ ﮔﺰارش ﺷﺪه ﺗﻮﺳﻂ ﺑﯿﻤﺎر و ﺑﺎزدﯾﺪﻫﺎی دوره ای از ﮐﻠﯿﻨﯿﮏ اﺳﺖ. در ﻣﻘﺎﺑﻞ، اﯾﻦ ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺟﺎﯾﮕﺰﯾﻨﯽ ﻋﯿﻨﯽﺗﺮ، ﻣﺴﺘﻤﺮ و ﻣﻘﺮون ﺑﻪ ﺻﺮﻓﻪ ﺗﺮ اراﺋﻪ ﻣﯽدﻫﺪ. اﯾﻦ ﻣﺴﺌﻠﻪ ﺑﻪ ﺑﯿﻤﺎران اﺟﺎزه ﻣﯽدﻫﺪ ﺗﺎ در ﺧﺎﻧﻪ ﺗﺤﺖ ﻧﻈﺮ ﺑﺎﺷﻨﺪ و ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ اﻟﮕﻮﻫﺎی ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ آﻧﻬﺎ ارزﯾﺎﺑﯽﻫﺎی ﻣﺪاوم را اراﺋﻪ ﻣﯽدﻫﺪ.

ﭘﺘﺎﻧﺴﯿﻞ ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم اﯾﻦ ﻫﻮش ﻣﺼﻨﻮﻋﯽ اﻣﯿﺪوارﮐﻨﻨﺪه اﺳﺖ. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮاﻧﺴﺖ ﭘﺎرﮐﯿﻨﺴﻮن را در اﻓﺮاد ﺳﺎلﻫﺎ ﻗﺒﻞ از اﯾﻨﮑﻪ ﻋﻼﺋﻢ واﺿﺤﯽ از ﺧﻮد ﻧﺸﺎن دﻫﻨﺪ ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ و ﺑﻪ ﻣﺪاﺧﻠﻪ و درﻣﺎن زودﺗﺮ ﻣﻨﺠﺮ ﺷﻮد. اﯾﻦ اﻣﺮ ﻣﯽ ﺗﻮاﻧﺪ ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺑﺮ ﮐﯿﻔﯿﺖ زﻧﺪﮔﯽ ﺑﯿﻤﺎران و ﻫﺰﯾﻨﻪ ﻣﺪﯾﺮﯾﺖ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن ﺑﺎ ﮐﺎﻫﺶ ﻧﯿﺎز ﺑﻪ ﻣﺮاﺟﻌﻪ ﻣﮑﺮر ﺑﻪ ﮐﻠﯿﻨﯿﮏ ﺗﺄﺛﯿﺮ ﺑﮕﺬارد.

اﯾﻦ ﻓﻨﺎوری ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﺪ زﻣﺎن و ﻫﺰﯾﻨﻪ اﻧﺠﺎم آزﻣﺎﯾﺶﻫﺎی ﺑﺎﻟﯿﻨﯽ ﺑﺮای درﻣﺎنﻫﺎی ﺟﺪﯾﺪ ﭘﺎرﮐﯿﻨﺴﻮن را ﮐﺎﻫﺶ دﻫﺪ. ﺑﺎ اراﺋﻪ روﺷﯽ ﺣﺴﺎسﺗﺮ ﺑﺮای ردﯾﺎﺑﯽ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری در ﻓﻮاﺻﻞ زﻣﺎﻧﯽ ﮐﻮﺗﺎه، ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺗﻮﺳﻌﻪ درﻣﺎنﻫﺎی ﺟﺪﯾﺪ را ﺗﺴﺮﯾﻊ ﮐﻨﺪ. اﯾﻦ درﯾﭽﻪای را ﺑﺮای ﻣﺮاﻗﺒﺖ ﺑﻬﺘﺮ و ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم ﺑﯿﻤﺎران در ﺳﺮاﺳﺮ ﺟﻬﺎن ﺑﺎز ﻣﯽﮐﻨﺪ، ﺑﺎ راﺣﺘﯽ ﻧﻈﺎرت از ﺧﺎﻧﻪ ﺧﻮد.

ﺑﺮ اﺳﺎس اﯾﻦ روش، اﻟﮕﻮﻫﺎی ﺗﻨﻔﺴﯽ اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن (PD) ﺑﻪ ﻃﻮر ﻗﺎﺑﻞ ﺗﻮﺟﻬﯽ ﺑﺎ اﻓﺮاد ﺳﺎﻟﻢ از ﭼﻨﺪﯾﻦ ﺟﻬﺖ ﻣﺘﻔﺎوت اﺳﺖ. ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺸﺨﯿﺺPD  بر روی اﯾﻦ ﺗﻔﺎوتﻫﺎ ﺗﻤﺮﮐﺰ ﻣﯽﮐﻨﺪ:

۱. رﯾﺘﻢ ﺗﻨﻔﺲ و ﻣﺮاﺣﻞ ﺧﻮاب: رﯾﺘﻢ ﺗﻨﻔﺲ ﺑﯿﻤﺎران ﭘﺎرﮐﯿﻨﺴﻮن در ﻫﻨﮕﺎم ﺧﻮاب ﺗﻨﺪﺗﺮ اﺳﺖ. ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ PD اﻏﻠﺐ ﺧﻮاب ﭘﺮاﮐﻨﺪهﺗﺮ و ﻣﺮاﺣﻞ ﺧﻮاب ﻋﻤﯿﻖ ﮐﻤﺘﺮی را در ﻣﻘﺎﯾﺴﻪ ﺑﺎ اﻓﺮاد ﺳﺎﻟﻢ ﺗﺠﺮﺑﻪ ﻣﯽﮐﻨﻨﺪ.

۲. ﻓﻌﺎﻟﯿﺖ [3]: EEG اﯾﻦ ﻣﻄﺎﻟﻌﻪ اﺷﺎره ﮐﺮد ﮐﻪ ﺑﯿﻤﺎران ﭘﺎرﮐﯿﻨﺴﻮﻧﯽ ﻓﻌﺎﻟﯿﺖ اﻣﻮاج ﻣﻐﺰی ﻏﯿﺮﻃﺒﯿﻌﯽ را در ﻃﻮل ﺧﻮاب ﻧﺸﺎن ﻣﯽدﻫﻨﺪ ﮐﻪ ﺑﺎ اﻟﮕﻮﻫﺎی ﺗﻨﻔﺴﯽ آﻧﻬﺎ ﻣﺮﺗﺒﻂ اﺳﺖ. ﺑﻪ ﻋﻨﻮان ﻣﺜﺎل، در ﺑﯿﻤﺎران PD ﻣﻌﻤﻮﻻً ﮐﺎﻫﺶ ﻓﻌﺎﻟﯿﺖ اﻣﻮاج ﻣﻐﺰی دﻟﺘﺎ (ﺧﻮاب ﻋﻤﯿﻖ) و اﻓﺰاﯾﺶ ﻓﻌﺎﻟﯿﺖ اﻣﻮاج ﺑﺘﺎ (ﻫﺸﯿﺎری) را ﺷﺎﻫﺪ ﻫﺴﺘﯿﻢ. اﯾﻦ ﺗﻐﯿﯿﺮات در ﺗﻨﻔﺲ ﻧﺎﻣﻨﻈﻢ ﯾﺎ ﻣﺨﺘﻞ آﻧﻬﺎ در ﻃﻮل ﺷﺐ ﻣﻨﻌﮑﺲ ﻣﯿﺸﻮد. 

ﺗﺸﺨﯿﺺ ﻫﻮش ﻣﺼﻨﻮﻋﯽ زودﺗﺮ از ﺑﺮوز ﻋﻼﺋﻢ در ﺑﯿﻤﺎران ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ روی ﮔﺮوﻫﯽ از اﻓﺮادی ﮐﻪ در ﻧﻬﺎﯾﺖ ﺑﻪ PD ﻣﺒﺘﻼ ﺷﺪﻧﺪ اﻣﺎ در زﻣﺎن آزﻣﺎﯾﺶﻫﺎی اوﻟﯿﻪ ﻫﻨﻮز ﺗﺸﺨﯿﺺ داده ﻧﺸﺪه ﺑﻮد، آزﻣﺎﯾﺶ ﺷﺪ. از اﯾﻦ اﻓﺮاد ﺑﻪ ﻋﻨﻮان "ﮔﺮوه prodromal "PD ﯾﺎد ﻣﯽ ﺷﻮد.

prodromal ﺑﻪ ﻣﺮﺣﻠﻪ اوﻟﯿﻪ ﺑﯿﻤﺎری اﻃﻼق ﻣﯽﺷﻮد ﮐﻪ ﻋﻼﺋﻢ ﻫﻨﻮز ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ ﺗﻮﺳﻌﻪ ﻧﯿﺎﻓﺘﻪ ﯾﺎ ﻗﺎﺑﻞ ﺗﻮﺟﻪ ﻧﺒﺎﺷﺪ. در زﻣﯿﻨﻪ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن (PD)، ﻣﺮﺣﻠﻪ ﭘﺮودروﻣﺎل ﺷﺎﻣﻞ ﻋﻼﺋﻢ ﻣﺸﺨﺺ ﯾﺎ ﻋﻼﺋﻢ ﻇﺮﯾﻔﯽ اﺳﺖ ﮐﻪ ﻗﺒﻞ از آﺷﮑﺎر ﺷﺪن ﻋﻼﺋﻢ ﺣﺮﮐﺘﯽ ﮐﻼﺳﯿﮏ (ﻣﺎﻧﻨﺪ ﻟﺮزش، ﺳﻔﺘﯽ و ﮐﻨﺪی ﺣﺮﮐﺖ) رخ ﻣﯽدﻫﺪ و ﻣﻨﺠﺮ ﺑﻪ ﺗﺸﺨﯿﺺ رﺳﻤﯽ ﻣﯽﺷﻮد. اﯾﻦ ﻋﻼﺋﻢ اوﻟﯿﻪ ﻣﻤﮑﻦ اﺳﺖ ﺷﺎﻣﻞ ﺗﻐﯿﯿﺮاﺗﯽ در ﺧﻮاب، ﺧﻠﻖ و ﺧﻮ، ﺑﻮﯾﺎﯾﯽ ﯾﺎ ﻋﻤﻠﮑﺮدﻫﺎی ﺧﻮدﻣﺨﺘﺎر ﺑﺎﺷﺪ، اﻣﺎ ﺑﻪ اﻧﺪازه ﮐﺎﻓﯽ ﺑﺮای ﺗﺸﺨﯿﺺ PD ﺑﻪ ﺗﻨﻬﺎﯾﯽ ﻣﺸﺨﺺ ﻧﯿﺴﺘﻨﺪ.

ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ دادهﻫﺎی ﺗﻨﻔﺴﯽ آنﻫﺎ را از ﻣﺮاﺣﻞ اوﻟﯿﻪ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﮐﺮد و ﺗﻮاﻧﺴﺖ ﺗﺸﺨﯿﺺ دﻫﺪ ﮐﻪ 75 درﺻﺪ از آﻧﻬﺎ ﺑﻌﺪاً ﺑﻪ PD ﻣﺒﺘﻼ ﻣﯽﺷﻮﻧﺪ، ﺣﺘﯽ اﮔﺮ ﻫﻨﻮز ﻋﻼﺋﻢ ﺣﺮﮐﺘﯽ را ﻧﺸﺎن ﻧﺪاده اﻧﺪ. اﯾﻦ ﻧﺸﺎن دﻫﻨﺪه ﭘﺘﺎﻧﺴﯿﻞ ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم ﭘﺎرﮐﯿﻨﺴﻮن، ﻣﺪت ﻫﺎ ﻗﺒﻞ از ﻇﻬﻮر ﻋﻼﺋﻢ ﺑﺎﻟﯿﻨﯽ اﺳﺖ. ردﯾﺎﺑﯽ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری ﺑﺎ روش ﺳﻨﺘﯽ و AI اﺳﺘﺎﻧﺪارد ﻓﻌﻠﯽ ﺑﺮای ردﯾﺎﺑﯽ ﭘﯿﺸﺮﻓﺖ [4] MDS-UPDRS ،PD (ﻣﻘﯿﺎس رﺗﺒﻪ ﺑﻨﺪی ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن ﯾﮑﭙﺎرﭼﻪ ﺟﺎﻣﻌﻪ اﺧﺘﻼل ﺣﺮﮐﺘﯽ) اﺳﺖ ﮐﻪ ﻧﯿﻤﻪ ذﻫﻨﯽ اﺳﺖ و ﻧﺴﺒﺖ ﺑﻪ ﺗﻐﯿﯿﺮات ﮐﻮﭼﮏ ﺣﺴﺎﺳﯿﺖ ﻧﺪارد. اﯾﻦ ﯾﮏ اﺑﺰار ﺑﺎﻟﯿﻨﯽ راﯾﺞ ﺑﺮای ارزﯾﺎﺑﯽ ﺷﺪت ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن اﺳﺖ. اﯾﻦ ﻣﻘﯿﺎس ﺑﻪ ﭘﺰﺷﮑﺎن ﮐﻤﮏ ﻣﯽ ﮐﻨﺪ ﺗﺎ ﻋﻼﺋﻢ ﺣﺮﮐﺘﯽ و ﻏﯿﺮﺣﺮﮐﺘﯽ PD ﻣﺎﻧﻨﺪ ﻟﺮزش، ﺳﻔﺘﯽ، ﻣﺸﮑﻞ در ﺣﺮﮐﺖ و ﺳﺎﯾﺮ اﺧﺘﻼﻻت ﻓﯿﺰﯾﮑﯽ را ارزﯾﺎﺑﯽ ﮐﻨﻨﺪ. MDS-UPDRS ﺑﻪ ﭼﻬﺎر ﺑﺨﺶ ﺗﻘﺴﯿﻢ ﻣﯽﺷﻮد:

ﺑﺨﺶ اول: ﺗﺠﺎرب ﻏﯿﺮ ﺣﺮﮐﺘﯽ زﻧﺪﮔﯽ روزﻣﺮه، ﻣﺎﻧﻨﺪ ﻣﺸﮑﻼت ﺧﻠﻘﯽ ﯾﺎ ﺧﻮاب را ارزﯾﺎﺑﯽ ﻣﯽﮐﻨﺪ.

ﺑﺨﺶ دوم: ﺑﺮ ﺗﺠﺮﺑﯿﺎت ﺣﺮﮐﺘﯽ در ﻓﻌﺎﻟﯿﺖﻫﺎی روزاﻧﻪ، ﻣﺎﻧﻨﺪ ﻟﺒﺎس ﭘﻮﺷﯿﺪن ﯾﺎ ﻏﺬا ﺧﻮردن ﺗﻤﺮﮐﺰ ﻣﯽﮐﻨﺪ.

ﺑﺨﺶ ﺳﻮم: ﻋﻤﻠﮑﺮد ﺣﺮﮐﺘﯽ را از ﻃﺮﯾﻖ ﻣﻌﺎﯾﻨﻪ ﻓﯿﺰﯾﮑﯽ (ﻣﺎﻧﻨﺪ راه رﻓﺘﻦ، ﺣﺎﻻت ﺻﻮرت) ارزﯾﺎﺑﯽ ﻣﯽﮐﻨﺪ.

ﺑﺨﺶ ﭼﻬﺎرم: ﻋﻮارض ﺣﺮﮐﺘﯽ، ﻣﺎﻧﻨﺪ ﻋﻮارض ﺟﺎﻧﺒﯽ داروﻫﺎ را ﺑﺮرﺳﯽ ﻣﯽﮐﻨﺪ.

ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ روی ﺑﯿﻤﺎران در ﻓﻮاﺻﻞ زﻣﺎﻧﯽ 6 و 12 ﻣﺎﻫﻪ آزﻣﺎﯾﺶ ﺷﺪ و ﺗﻮاﻧﺎﯾﯽ ﺧﻮد را در ﺛﺒﺖ ﺗﻐﯿﯿﺮات آﻣﺎری ﻣﻌﻨﯽدار در وﺿﻌﯿﺖ ﺑﯿﻤﺎری در دورهﻫﺎی ﮐﻮﺗﺎه ﻧﺸﺎن داد، در ﺣﺎﻟﯽ ﮐﻪ MDS-UPDRS ﺳﻨﺘﯽ ﻧﻤﯽﺗﻮاﻧﺴﺖ. در اﯾﻦ ﻣﻄﺎﻟﻌﻪ، ﭘﯿﺶﺑﯿﻨﯽﻫﺎی ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﻧﻤﺮات (R =94/0) MDS-UPDRS ﻫﻤﺒﺴﺘﮕﯽ زﯾﺎدی داﺷﺖ، ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﮐﻪ ﺳﯿﺴﺘﻢ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺷﺪت PD را ﺑﻪﮔﻮﻧﻪای ﺗﺨﻤﯿﻦ ﺑﺰﻧﺪ ﮐﻪ ﺑﺎ ﻧﺘﺎﯾﺞ اﯾﻦ ﻣﻘﯿﺎس ﺳﻨﺘﯽ ﻣﻄﺎﺑﻘﺖ ﻧﺰدﯾﮑﯽ داﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﺎ اﯾﻦ ﺣﺎل، ﺑﺮ ﺧﻼف MDS-UPDRS، ﮐﻪ ﻧﯿﺎز ﺑﻪ ﺑﺎزدﯾﺪ از ﮐﻠﯿﻨﯿﮏ و ارزﯾﺎﺑﯽ دﺳﺘﯽ ﺗﻮﺳﻂ ﭘﺰﺷﮏ دارد، ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ اﻟﮕﻮﻫﺎی ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ ﺑﯿﻤﺎر، ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری را ﺑﻪ ﺻﻮرت ﻏﯿﺮﺗﻬﺎﺟﻤﯽ در ﺧﺎﻧﻪ ﻧﻈﺎرت ﮐﻨﺪ. اﯾﻦ ﺑﺎﻋﺚ ﻣﯽﺷﻮد ﮐﻪ اﯾﻦ اﺑﺰار راﺣﺖ ﺗﺮ و ﻣﺴﺘﻤﺮ ﺑﺮای ردﯾﺎﺑﯽ ﭼﮕﻮﻧﮕﯽ ﭘﯿﺸﺮﻓﺖ ﭘﺎرﮐﯿﻨﺴﻮن در ﻃﻮل زﻣﺎن ﺑﺎﺷﺪ.

دﻗﺖ و ﺿﺮﯾﺐ درﺳﺘﯽ ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺸﺨﯿﺺ

ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮ روی ﻣﺠﻤﻮﻋﻪ دادهای ﻣﺘﺸﮑﻞ از ۷۶۷۱ ﻧﻔﺮ آزﻣﺎﯾﺶ ﺷﺪ و ﻧﺘﺎﯾﺞ ﭼﺸﻤﮕﯿﺮی ﺑﻪ دﺳﺖ آورد:

[5] (90%) 0.90 AUC در ﺗﺴﺖ داﺧﻠﯽ: اﯾﻦ ﺑﺪان ﻣﻌﻨﯽ اﺳﺖ ﮐﻪ وﻗﺘﯽ روی ﻣﺠﻤﻮﻋﻪ دادهای ﮐﻪ روی آن آﻣﻮزش داده ﺷﺪه اﺳﺖ آزﻣﺎﯾﺶ ﺷﻮد، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﺑﻪ ﻃﻮر دﻗﯿﻖ ﺑﯿﻦ اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ ﭘﺎرﮐﯿﻨﺴﻮن و ﺑﺪون ﭘﺎرﮐﯿﻨﺴﻮن در ٪۹۰ ﻣﻮاﻗﻊ ﺗﻤﺎﯾﺰ ﻗﺎﺋﻞ ﺷﻮد.

(85%) 0.85 AUC در ﻣﺠﻤﻮﻋﻪ داده ﻫﺎی ﺧﺎرﺟﯽ: ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺑﺮ روی داده ﻫﺎی ﺟﺪﯾﺪ از ﺑﯿﻤﺎرﺳﺘﺎﻧﯽ ﮐﻪ ﺑﺮای آﻣﻮزش ﻣﺪل اﺳﺘﻔﺎده ﻧﺸﺪه ﺑﻮد (Mayo Clinic) آزﻣﺎﯾﺶ ﺷﺪ، ﺳﯿﺴﺘﻢ ﻫﻤﭽﻨﺎن ﺑﺴﯿﺎر ﺧﻮب ﻋﻤﻞ ﮐﺮد، ﺑﺎ دﻗﺖ ٪۸۵ در ﺷﻨﺎﺳﺎﯾﯽ.

AUC در زﻣﯿﻨﻪ ارزﯾﺎﺑﯽ ﻋﻤﻠﮑﺮد ﯾﮏ ﺗﺴﺖ ﺗﺸﺨﯿﺼﯽ ﯾﺎ ﻣﺪل ﯾﺎدﮔﯿﺮی ﻣﺎﺷﯿﻨﯽ اﺳﺘﻔﺎده ﻣﯽ ﺷﻮد. ﺑﻪ ﻃﻮر ﺧﺎص، ﺑﻪ ﻧﺎﺣﯿﻪ زﯾﺮ ﻣﻨﺤﻨﯽ ﻣﺸﺨﺼﻪ ﻋﻤﻠﯿﺎﺗﯽ ﮔﯿﺮﻧﺪه (ROC) اﺷﺎره دارد ﮐﻪ ﻧﺮخ ﻣﺜﺒﺖ واﻗﻌﯽ (ﺣﺴﺎﺳﯿﺖ) را در ﺑﺮاﺑﺮ ﻧﺮخ ﻣﺜﺒﺖ ﮐﺎذب (وﯾﮋﮔﯽ 1) ﺗﺮﺳﯿﻢ ﻣﯽﮐﻨﺪ.

اﻣﺘﯿﺎز AUC از 0 ﺗﺎ 1 ﻣﺘﻐﯿﺮ اﺳﺖ: 1 AUC ﻧﺸﺎن دﻫﻨﺪه ﯾﮏ ﺗﺴﺖ ﮐﺎﻣﻞ اﺳﺖ ﮐﻪ ﻣﯽ ﺗﻮاﻧﺪ ﻣﻮارد ﻣﺜﺒﺖ و ﻣﻨﻔﯽ را ﺑﺎ دﻗﺖ ٪۱۰۰ ﺗﺸﺨﯿﺺ دﻫﺪ. 0.5 AUC ﻧﺸﺎن ﻣﯽ دﻫﺪ ﮐﻪ آزﻣﻮن ﺑﻬﺘﺮ از ﺣﺪس زدن ﺗﺼﺎدﻓﯽ ﻧﯿﺴﺖ. ﻧﻤﺮه AUC ﺑﺎﻻﺗﺮ (ﻧﺰدﯾﮏ ﺑﻪ 1) ﺑﻪ ﻣﻌﻨﺎی ﻋﻤﻠﮑﺮد ﺑﻬﺘﺮ ﻣﺪل از ﻧﻈﺮ ﺗﻤﺎﯾﺰ ﺑﯿﻦ ﻃﺒﻘﺎت ﻣﺨﺘﻠﻒ اﺳﺖ، ﻣﺎﻧﻨﺪ ﺑﯿﻤﺎران ﻣﺒﺘﻼ ﺑﻪ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن (ﻣﺜﺒﺖ) در ﻣﻘﺎﺑﻞ اﻓﺮاد ﺳﺎﻟﻢ (ﻣﻨﻔﯽ).

در اﯾﻦ ﻣﻘﺎﻟﻪ، ﻣﺪل ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ 0.90 AUC دﺳﺖ ﯾﺎﻓﺖ، ﺑﻪ اﯾﻦ ﻣﻌﻨﯽ ﮐﻪ در ﺷﻨﺎﺳﺎﯾﯽ اﻓﺮاد ﻣﺒﺘﻼ ﺑﻪ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن ﺑﺮ اﺳﺎس اﻟﮕﻮﻫﺎی ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ آﻧﻬﺎ ﺑﺴﯿﺎر ﺧﻮب ﻋﻤﻞ ﮐﺮد.

ارزﯾﺎﺑﯽ و ﺗﺸﺨﯿﺺ ﺷﺪت PD:

AI ﻣﯽﺗﻮاﻧﺪ ﺑﺎ ﻣﺸﺎﻫﺪه ﺗﻐﯿﯿﺮات اﻟﮕﻮﻫﺎی ﺗﻨﻔﺴﯽ ﺑﯿﻤﺎرﻫﺎ در ﻃﻮل زﻣﺎن ﺗﺨﻤﯿﻦ ﺑﺰﻧﺪ ﮐﻪ ﺑﯿﻤﺎری ﭼﻘﺪر ﭘﯿﺸﺮﻓﺘﻪ اﺳﺖ (ﺧﻔﯿﻒ، ﻣﺘﻮﺳﻂ ﯾﺎ ﺷﺪﯾﺪ). ﻫﻮش ﻣﺼﻨﻮﻋﯽ در اﯾﻦ ﻣﺸﺎﻫﺪات ﺑﺴﯿﺎر دﻗﯿﻖ ﺑﻮد و ﯾﮏ ﻫﻤﺒﺴﺘﮕﯽ ﻗﻮی (94/0 = R) ﺑﺎ ﻧﻤﺮات MDS-UPDRS ﻧﺸﺎن داد. ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﺪ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری را ﺑﺎ ﻣﻘﺎﯾﺴﻪ دادهﻫﺎی ﺗﻨﻔﺴﯽ از ﭼﻨﺪﯾﻦ ﺷﺐ ﻧﻈﺎرت ﮐﻨﺪ. ﺑﺎ ﺟﻤﻊآوری دادهﻫﺎ در ﻃﻮل زﻣﺎن، ﻣﯽﺗﻮاﻧﺪ ﺗﻐﯿﯿﺮات ﮐﻮﭼﮑﯽ در ﺷﺪت ﺗﺸﺨﯿﺺ دﻫﺪ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ راﺣﺘﯽ در ﻃﯽ ارزﯾﺎﺑﯽﻫﺎی ﺑﺎﻟﯿﻨﯽ ﻗﺎﺑﻞ ﻣﺸﺎﻫﺪه ﻧﺒﺎﺷﺪ، و اﻣﮑﺎن ردﯾﺎﺑﯽ ﻣﺴﺘﻤﺮ و ﺣﺴﺎسﺗﺮ از ﻧﺤﻮه ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری را ﻓﺮاﻫﻢ ﻣﯽﮐﻨﺪ. ﻫﻤﭽﻨﯿﻦ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ اﺳﺘﻔﺎده از داده ﻫﺎی ﺗﻨﻔﺴﯽ و ﺣﺮﮐﺘﯽ ﻣﯽ ﺗﻮاﻧﺪ ﺑﯿﻦ ﭘﺎرﮐﯿﻨﺴﻮن و آﻟﺰاﯾﻤﺮ، ﺑﻪ درﺳﺘﯽ ﭘﺎرﮐﯿﻨﺴﻮن را ﺗﺸﺨﯿﺺ ﺑﺪﻫﺪ. (ﺑﻪ ﻃﻮر ﻣﺜﺎل اﺧﺘﻼلﻫﺎی ﺣﺮﮐﺘﯽ ﻓﻘﻂ در ﭘﺎرﮐﯿﻨﺴﻮن دﯾﺪه می شود.)

ﺑﺮای ﺟﻤﻊ ﺑﻨﺪی ﺗﻤﺎم ﻣﻄﺎﻟﺐ ﻣﯽﺗﻮان ﺑﻪﻃﻮر ﺧﻼﺻﻪ ﺑﻪ ﻧﮑﺎت ﻣﻬﻢ اﯾﻦ روش دوﺑﺎره اﺷﺎره ﮐﺮد:

اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﭘﺘﺎﻧﺴﯿﻞ اﺳﺘﻔﺎده از ﺳﯿﮕﻨﺎلﻫﺎی ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ را ﺑﻪ ﻋﻨﻮان ﯾﮏ ﻧﺸﺎﻧﮕﺮ زﯾﺴﺘﯽ اﺑﺘﮑﺎری و ﻏﯿﺮﺗﻬﺎﺟﻤﯽ ﺑﺮای ﺗﺸﺨﯿﺺ و ارزﯾﺎﺑﯽ زودﻫﻨﮕﺎم ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن (PD) ﺑﺮﺟﺴﺘﻪ ﻣﯽﮐﻨﺪ. ﯾﺎﻓﺘﻪﻫﺎ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ اﻟﮕﻮﻫﺎی ﺧﺎص در ﺳﯿﮕﻨﺎلﻫﺎی ﺗﻨﻔﺴﯽ ﻣﯽﺗﻮاﻧﺪ ﻧﺸﺎندﻫﻨﺪه PD ﺑﺎﺷﺪ و آن را از اﻓﺮاد ﺳﺎﻟﻢ و اﺣﺘﻤﺎﻻً ﺳﺎﯾﺮ اﺧﺘﻼﻻت ﻋﺼﺒﯽ ﻣﺘﻤﺎﯾﺰ ﮐﻨﺪ.

ﻣﮑﺎﻧﯿﺴﻢﻫﺎی ﺗﺸﺨﯿﺺ PD: ﺑﺤﺚ در ﻣﻮرد ﭼﮕﻮﻧﮕﯽ ﺗﻐﯿﯿﺮ ﺗﻨﻈﯿﻢ ﺧﻮدﮐﺎر و ﻋﻤﻠﮑﺮد ﺣﺮﮐﺘﯽ در PD ﻣﻤﮑﻦ اﺳﺖ در ﺗﻐﯿﯿﺮات در اﻟﮕﻮﻫﺎی ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ آﺷﮑﺎر ﺷﻮد. اﯾﻦ ﺗﻐﯿﯿﺮات ﻣﻤﮑﻦ اﺳﺖ ﺑﻪ دﻟﯿﻞ ﺑﯽﻧﻈﻤﯽ در ﺳﯿﺴﺘﻢ ﻋﺼﺒﯽ ﻣﺮﮐﺰی ﺑﺎﺷﺪ ﮐﻪ ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻃﻮر ﻣﻮﺛﺮ آن را ﺛﺒﺖ ﮐﺮدﻧﺪ.

ﭘﯿﺎﻣﺪﻫﺎی ﻋﻤﻞ ﺑﺎﻟﯿﻨﯽ: اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ ﺳﯿﮕﻨﺎلﻫﺎی ﺗﻨﻔﺴﯽ ﻣﯽﺗﻮاﻧﺪ ارزﯾﺎﺑﯽﻫﺎی ﺑﺎﻟﯿﻨﯽ را اﻓﺰاﯾﺶ دﻫﺪ و اﺑﺰاری ﻣﮑﻤﻞ ﺑﺮای ﭘﺰﺷﮑﺎن در ﺗﺸﺨﯿﺺ PD و ﻧﻈﺎرت ﺑﺮ ﭘﯿﺸﺮﻓﺖ آن ﻓﺮاﻫﻢ ﮐﻨﺪ. اﯾﻦ ﻣﻘﺎﻟﻪ ﺑﺮ ﻧﯿﺎز ﺑﻪ ادﻏﺎم اﯾﻦ روش در ﻋﻤﻠﮑﺮد ﺑﺎﻟﯿﻨﯽ ﻣﻌﻤﻮﻟﯽ ﺗﺎﮐﯿﺪ ﻣﯽﮐﻨﺪ و ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﺑﺎﻋﺚ ﺑﻬﺒﻮد ﻧﺘﺎﯾﺞ ﺑﯿﻤﺎر از ﻃﺮﯾﻖ ﻣﺪاﺧﻠﻪ اوﻟﯿﻪ ﻣﯽﺷﻮد.

ﻣﻘﺎﯾﺴﻪ ﺑﺎ روشﻫﺎی ﺗﺸﺨﯿﺼﯽ ﻣﻮﺟﻮد: اﯾﻦ ﺑﺤﺚ روﯾﮑﺮدﻫﺎی ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ را ﺑﺎ روشﻫﺎی ﺗﺸﺨﯿﺼﯽ ﺳﻨﺘﯽ، ﮐﻪ اﻏﻠﺐ ﺑﺮ ارزﯾﺎﺑﯽﻫﺎی ذﻫﻨﯽ ﺗﮑﯿﻪ ﻣﯽﮐﻨﻨﺪ و ﻣﻤﮑﻦ اﺳﺖ ﻋﻼﺋﻢ اوﻟﯿﻪ ﺑﯿﻤﺎری را از دﺳﺖ ﺑﺪﻫﻨﺪ، در ﺗﻀﺎد ﻗﺮار ﻣﯽدﻫﺪ. اﯾﻦ ﺑﺮ ﻣﺰاﯾﺎی ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ دادهﻫﺎی ﻋﯿﻨﯽ در ﺑﻬﺒﻮد دﻗﺖ ﺗﺸﺨﯿﺼﯽ و ﮐﺎﻫﺶ ﺗﺸﺨﯿﺺ اﺷﺘﺒﺎه ﺗﺎﮐﯿﺪ ﻣﯽﮐﻨﺪ.

ﻣﺴﯿﺮﻫﺎی ﺗﺤﻘﯿﻘﺎﺗﯽ آﯾﻨﺪه: ﻧﻮﯾﺴﻨﺪﮔﺎن از ﺗﺤﻘﯿﻘﺎت ﺑﯿﺸﺘﺮ ﺑﺮای ﺗﺄﯾﯿﺪ ﯾﺎﻓﺘﻪﻫﺎ در ﺟﻤﻌﯿﺖﻫﺎی ﺑﺰرگﺗﺮ، ﻣﺘﻨﻮعﺗﺮ و ﺗﻨﻈﯿﻤﺎت ﺑﺎﻟﯿﻨﯽ ﻣﺨﺘﻠﻒ ﺣﻤﺎﯾﺖ ﻣﯽﮐﻨﻨﺪ. آﻧﻬﺎ ﻫﻤﭽﻨﯿﻦ ﺧﻮاﺳﺘﺎر ﻣﻄﺎﻟﻌﺎﺗﯽ ﺑﺮای ﮐﺸﻒ ﮐﺎرﺑﺮد ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺸﺨﯿﺺ PD از ﺳﺎﯾﺮ ﺑﯿﻤﺎریﻫﺎی ﺗﺨﺮﯾﺐﮐﻨﻨﺪه ﻋﺼﺒﯽ، ﻣﺎﻧﻨﺪ ﺑﯿﻤﺎری آﻟﺰاﯾﻤﺮ، ﺑﺎ اﺳﺘﻔﺎده از ﻃﯿﻒ وﺳﯿﻊﺗﺮی از ﺳﯿﮕﻨﺎلﻫﺎی ﻓﯿﺰﯾﻮﻟﻮژﯾﮑﯽ ﻫﺴﺘﻨﺪ.

ﻣﺤﺪودﯾﺖﻫﺎ: ﻧﻮﯾﺴﻨﺪﮔﺎن ﻣﺤﺪودﯾﺖﻫﺎی ﺧﺎﺻﯽ از ﺟﻤﻠﻪ ﻧﯿﺎز ﺑﻪ ﻣﺠﻤﻮﻋﻪ دادهﻫﺎی ﮔﺴﺘﺮدهﺗﺮ و ﺗﺄﺛﯿﺮ ﻋﻮاﻣﻞ ﺧﺎرﺟﯽ ﺑﺮ ﺗﻨﻔﺲ ﺷﺒﺎﻧﻪ ﮐﻪ ﻣﻤﮑﻦ اﺳﺖ ﺑﺮ ﻧﺘﺎﯾﺞ ﺗﺄﺛﯿﺮ ﺑﮕﺬارد را ﺗﺄﯾﯿﺪ ﻣﯽﮐﻨﻨﺪ. آنﻫﺎ ﭘﯿﺸﻨﻬﺎد ﻣﯽ ﮐﻨﻨﺪ ﮐﻪ ﭘﮋوﻫﺶﻫﺎ آﯾﻨﺪه ﺑﺎﯾﺪ ﺑﻪ اﯾﻦ ﻣﺤﺪودﯾﺖﻫﺎ ﺑﭙﺮدازد ﺗﺎ اﺳﺘﺤﮑﺎم ﯾﺎﻓﺘﻪﻫﺎ را ﺗﻘﻮﯾﺖ ﮐﻨﺪ.

ﺑﻪﻃﻮر ﺧﻼﺻﻪ، اﯾﻦ روش ﻣﺒﺘﻨﯽ ﺑﺮ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺮای ﺗﺸﺨﯿﺺ و ردﯾﺎﺑﯽ ﺑﯿﻤﺎری ﭘﺎرﮐﯿﻨﺴﻮن آﻣﺎده اﺳﺖ ﺗﺎ ﻧﺤﻮه ﻣﺪﯾﺮﯾﺖ ﺑﯿﻤﺎری را ﺗﻐﯿﯿﺮ دﻫﺪ و ﯾﮏ ﺳﯿﺴﺘﻢ ﻧﻈﺎرﺗﯽ ﻏﯿﺮﺗﻬﺎﺟﻤﯽ، ﺑﺴﯿﺎر دﻗﯿﻖ و ﻣﺴﺘﻤﺮ اراﺋﻪ دﻫﺪ ﮐﻪ ﻧﻮﯾﺪ ﺗﺸﺨﯿﺺ زودﻫﻨﮕﺎم و ردﯾﺎﺑﯽ ﮐﺎرآﻣﺪﺗﺮ ﭘﯿﺸﺮﻓﺖ ﺑﯿﻤﺎری را ﻣﯽدﻫﺪ.

ﮔﺮدآوری و ﺑﺎزﻧﻮﯾﺴﯽ: اﻣﯿﺮرﺿﺎ آﻗﺎﺑﺎﺑﺎﯾﯽ داﻧﺸﺠﻮی ﭘﺰﺷﮑﯽ داﻧﺸﮕﺎه ﻋﻠﻮم ﭘﺰﺷﮑﯽ ﺷﻬﯿﺪ ﺑﻬﺸﺘﯽ

Reference: 

.Yang, Y., Yuan, Y., Zhang, G., Wang, H., Chen, Y. C., Liu, Y., Katabi, D. (2022). Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nature medicine, 28(10), 2207-2215

Footnote:

1. Artificial Intelligence

2. Parkinson’s Disease

3. Electroencephalogram 

4. Movement Disorder Society-Unified Parkinson’s Disease Rating Scale 

5. Area Under the Curve