การศึกษา eClinicalMedicine ชื่อหัวข้อ Robust and interpretable AI-guided marker for early dementia prediction in real-world clinical settings ที่เผยแพร่เมื่อเร็วๆ นี้ ใช้เทคนิคการเรียนรู้ของเครื่อง (machine learning – ML) เพื่อพัฒนาและทดสอบแบบจำลองการพยากรณ์โรค (predictive prognostic model – PPM) สำหรับการทำนายภาวะสมองเสื่อมในระยะเริ่มแรกโดยใช้ข้อมูลผู้ป่วยในโลกแห่งความเป็นจริง
A recent eClinicalMedicine study utilized machine learning (ML) techniques to develop and test a predictive prognostic model (PPM) for early dementia prediction using real-world patient data.
การศึกษาวิจัยชี้ AI เชื่อถือได้สำหรับการทำนายภาวะสมองเสื่อมตั้งแต่เนิ่นๆ
การศึกษา eClinicalMedicine ชื่อหัวข้อ Robust and interpretable AI-guided marker for early dementia prediction in real-world clinical settings ที่เผยแพร่เมื่อเร็วๆ นี้ ใช้เทคนิคการเรียนรู้ของเครื่อง (machine learning – ML) เพื่อพัฒนาและทดสอบแบบจำลองการพยากรณ์โรค (predictive prognostic model – PPM) สำหรับการทำนายภาวะสมองเสื่อมในระยะเริ่มแรกโดยใช้ข้อมูลผู้ป่วยในโลกแห่งความเป็นจริง
ความท้าทายในการวินิจฉัยภาวะสมองเสื่อมในระยะเริ่มแรก
นักวิจัยคาดการณ์ว่าอุบัติการณ์ของภาวะสมองเสื่อมจะเพิ่มขึ้นสามเท่าในอีก 50 ปีข้างหน้า โรคอัลไซเมอร์ (Alzheimer’s disease – AD) ปัจจุบันคิดเป็น 60-80% ของผู้ป่วยภาวะสมองเสื่อมทั้งหมด
จนถึงปัจจุบัน ยังขาดเครื่องมือที่มีประสิทธิภาพในการวินิจฉัยโรคสมองเสื่อมตั้งแต่เนิ่นๆ การทดสอบความจำไม่ได้ผลโดยเฉพาะในระยะแรก เนื่องจากไม่มีความไว นอกจากนี้ ผู้ป่วยส่วนใหญ่ไม่สามารถเข้าถึงการทดสอบที่เฉพาะเจาะจงมากขึ้นได้ เช่น การเจาะเอวเพื่อประเมินตัวบ่งชี้ทางชีวภาพของน้ำไขสันหลัง หรือการสแกนเอกซเรย์ปล่อยโพซิตรอน (positron emission tomography – PET) ซึ่งรุกราน สร้างผลกระทบต่อร่างกาย และมีค่าใช้จ่ายสูง
แม้จะมีความก้าวหน้าล่าสุดด้านปัญญาประดิษฐ์ (AI) แต่แบบจำลองที่พัฒนาโดยใช้เทคนิค ML ก็เกี่ยวข้องกับข้อจำกัดบางประการเช่นกัน ตัวอย่างเช่น แม้ว่าข้อมูลตามรุ่นจะมีโครงสร้าง แต่ก็สามารถนำไปสู่ความสามารถในการสรุปได้ทั่วไป
เกี่ยวกับการศึกษาวิจัย
นักวิจัยในปัจจุบันได้พัฒนา PPM ที่ตีความได้และมีประสิทธิภาพ ซึ่งคาดการณ์ว่าผู้ป่วยในระยะแรกของภาวะสมองเสื่อมจะก้าวหน้าไปสู่ AD หรือไม่และเร็วแค่ไหน ระยะแรกของภาวะสมองเสื่อมประกอบด้วยก่อนแสดงอาการหรือ ‘การรับรู้ปกติ’ (cognitive normal – CN) และความบกพร่องทางสติปัญญาระดับเล็กน้อย (mild cognitive impairment – MCI)
เพื่อแสดงให้เห็นถึงประโยชน์ทางคลินิกของ PPM นักวิจัยได้ฝึกอบรมระบบโดยใช้ข้อมูลพื้นฐาน ไม่รุกรานร่างกาย และข้อมูลต้นทุนต่ำ หลังจากนั้น PPM จะได้รับการทดสอบกับข้อมูลผู้ป่วยนอกตัวอย่างในโลกแห่งความเป็นจริง และตรวจสอบกับการวินิจฉัยระยะยาวในข้อมูลในโลกแห่งความเป็นจริง
ข้อมูลที่ได้รับมาจากกลุ่มผู้ป่วยทางคลินิก 2 กลุ่มที่เป็นชุดข้อมูลการทดสอบอิสระที่ประกอบด้วยผู้ป่วย 272 ราย ซึ่งเป็นกลุ่มวิจัยจากโครงการ Neuroimaging Initiative (ADNI) ของโรคอัลไซเมอร์ ซึ่งมีตัวอย่างการฝึกอบรมและการตรวจสอบความถูกต้องประกอบด้วยผู้ป่วย 410 และ 609 ราย ตามลำดับ รวมถึง Memory Aging ของมหาวิทยาลัยแห่งชาติสิงคโปร์ & ชุดข้อมูล Cognition Center (MACC) ประกอบด้วยผู้ป่วย 605 ราย
เพื่อคาดการณ์การเสื่อมถอยทางปัญญาในอนาคตในระยะแรกของภาวะสมองเสื่อมโดยใช้ multimodal data จึงได้นำแนวทาง trajectory modeling approach มาใช้โดยอิงตาม Generalized Metric Learning Vector Quantization (GMLVQ) แบบจำลอง GMLVQ ได้รับการฝึกให้แยกความแตกต่างระหว่าง MCI ที่เสถียร (sMCI) และ MCI แบบก้าวหน้า (pMCI) ผู้ป่วยที่มี sMCI ได้รับการวินิจฉัย MCI อย่างต่อเนื่องภายในระยะเวลาสามปี ในขณะที่ผู้ที่มี pCMI ก้าวหน้าไปถึง AD ภายในระยะเวลาสามปี
การฝึกอบรมนี้สำเร็จได้โดยใช้ระดับหน่วยความจำที่ปรับปรุงของ Addenbrooke’s Cognitive Examination (หน่วยความจำ ACE-R), Mini-Mental State Examination (MMSE) และความหนาแน่นของสสารสีเทา (GM) จากข้อมูล ADNI
ผลการศึกษาวิจัย
PPM มีความเกี่ยวข้องกับความแม่นยำในการทำนาย 81.7% ความเฉพาะเจาะจง 80.9% และความไว 82.4% ในการพิจารณาว่าบุคคลที่มีภาวะสมองเสื่อมในระยะเริ่มต้นจะยังคงมีเสถียรภาพหรือก้าวหน้าไปสู่ AD หรือไม่ มีหลักฐานการมีปฏิสัมพันธ์ระหว่าง MMSE, ความหนาแน่น GM และหน่วยความจำ ACE-R ซึ่งแสดงให้เห็นถึงบทบาทของคุณสมบัติหลายรูปแบบในการแบ่งแยกระหว่าง sMCI และ pMCI อย่างแม่นยำ
การฝึกโมเดลด้วยหน่วยความจำ ACE-R และ MMSE เพียงอย่างเดียวก็ให้ประสิทธิภาพที่คล้ายคลึงกันกับการฝึกด้วยทั้งข้อมูลการรับรู้และ MRI โมเดลนี้จะทำงานได้ดีที่สุดเมื่อใช้ multivariate interactions กับ multimodal data
ดัชนีการพยากรณ์โรคที่ได้จากแบบจำลองมีความเกี่ยวข้องทางคลินิกในการทำนายสุขภาพแบบ predicting cognitive health trajectories สำหรับชุดข้อมูลอิสระสองชุด ดัชนีการพยากรณ์โรคที่ได้มาจาก PPM ได้มาจากข้อมูลพื้นฐานและมีความแตกต่างกันอย่างมีนัยสำคัญระหว่างกลุ่ม ดัชนีจะสูงขึ้นอย่างมีนัยสำคัญเมื่อฝึกด้วย MRI และข้อมูลการรับรู้สำหรับกรณีทดสอบหลายกรณี เช่น AD, MCI ปานกลาง, MCI เล็กน้อย หรือ CN3
การศึกษาก่อนหน้านี้รายงานว่าผู้ป่วยภาวะสมองเสื่อมมากถึง 35% ได้รับการวินิจฉัยผิดพลาด ที่สำคัญ ดัชนี PPM แสดงให้เห็นถึงศักยภาพในการลดอัตราการวินิจฉัยผิดพลาดโดยการฝึกอบรมระบบเกี่ยวกับข้อมูลทางชีววิทยา
PPM มีความสัมพันธ์กับความไวและความแม่นยำที่เหนือกว่าเมื่อเปรียบเทียบกับการประเมินทั่วไปในการปฏิบัติงานทางคลินิก แบบจำลองการถดถอยโลจิสติก และแบบจำลองการถดถอยหลายตัวแปร ในการตรวจสอบความถูกต้องกับผลลัพธ์ทางคลินิกในระยะยาว PPM สามารถคาดการณ์ได้อย่างแม่นยำว่าบุคคลที่อยู่ในระยะเริ่มต้นของโรคเช่น MCI จะเข้าสู่ AD หรือยังคงมีเสถียรภาพหรือไม่ ความสามารถในการสรุปผลการค้นพบในศูนย์หน่วยความจำต่างๆ ได้เป็นความก้าวหน้าที่สำคัญในด้านตัวบ่งชี้ทางชีวภาพที่ใช้ AI สำหรับภาวะสมองเสื่อมในระยะเริ่มแรก
ข้อสรุปจากการศึกษาวิจัย
ข้อค้นพบจากการศึกษานี้เป็นหลักฐานสำหรับแนวทางทางคลินิกที่มีแนวทางโดย AI ที่สามารถตีความได้และมีประสิทธิภาพ ในการตรวจจับและแบ่งกลุ่มผู้ป่วยในระยะแรกของภาวะสมองเสื่อม เครื่องหมายนี้มีศักยภาพสูงในการนำไปใช้ในการปฏิบัติงานทางคลินิก เนื่องจากมีการตรวจสอบความถูกต้องกับข้อมูลผู้ป่วยระยะยาวแบบหลายศูนย์ในภูมิภาคทางภูมิศาสตร์ที่แตกต่างกัน
รวมถึงข้อมูลจากกลุ่มที่ด้อยโอกาส การรวมข้อมูลการดูแลทางคลินิกเพื่อจับโรคร่วม และการขยาย PPM ไปสู่การทำนายชนิดย่อยของภาวะสมองเสื่อม เป็นสิ่งจำเป็นก่อนที่แบบจำลองนี้จะถูกพิจารณาว่าเป็นเครื่องมือ clinical AI tool