نشانگرهای دیجیتال تقریباً ایده آل برای پیش بینی زوال عقل

محققان دانشکده بهداشت عمومی میلمن دانشگاه کلمبیا، دانشکده مهندسی و علوم کاربردی فو بنیاد فو، و کالج پزشکان و جراحان واگلوس با استفاده از تکنیک‌های یادگیری گروهی و داده‌های طولی از یک مطالعه طبیعی رانندگی بزرگ، الگوریتمی جدید، قابل تفسیر و بسیار دقیق ایجاد کرده‌اند. برای پیش‌بینی اختلال خفیف شناختی و زوال عقل در رانندگان مسن‌تر. نشانگرهای دیجیتال به متغیرهایی اشاره دارند که از داده های ضبط شده از طریق دستگاه های ضبط در محیط واقعی تولید می شوند. این داده ها را می توان برای اندازه گیری رفتار رانندگی، عملکرد و الگوی زمانی-مکانی با جزئیات استثنایی پردازش کرد. این مطالعه در مجله منتشر شده است هوش مصنوعی در پزشکی.

محققان از روش طبقه بندی مبتنی بر تعامل برای انتخاب متغیرهای پیش بینی در مجموعه داده استفاده کردند. این مدل یادگیری به دقت 96 درصد در پیش‌بینی اختلالات شناختی خفیف و زوال عقل دست یافته است و از مدل‌های یادگیری ماشین سنتی مانند رگرسیون لجستیک و جنگل‌های تصادفی بهتر عمل می‌کند – یک تکنیک آماری که به طور گسترده در هوش مصنوعی برای طبقه‌بندی وضعیت بیماری استفاده می‌شود. شارون دی، دانشیار مهندسی عمران و مکانیک مهندسی در مهندسی کلمبیا و نویسنده اصلی این مطالعه گفت: «مدل جدید یادگیری مجموعه ما بر اساس نشانگرهای دیجیتال و ویژگی‌های اولیه جمعیت‌شناختی می‌تواند اختلالات شناختی خفیف و زوال عقل را در رانندگان مسن‌تر با دقت عالی پیش‌بینی کند.

محققین 200 ماژول متغیر را با استفاده از داده های رانندگی طبیعت گرایانه روی راننده، وسیله نقلیه و محیط ضبط شده توسط دستگاه های ضبط داخل وسیله نقلیه برای 2977 راننده شرکت کننده در پروژه تحقیقات طولی در مورد رانندگان پیر (LongROAD) ساختند، یک مطالعه کوهورت آینده نگر که در پنج مورد انجام شد. سایت‌هایی در سراسر ایالات متحده به هم پیوسته و توسط بنیاد AAA برای ایمنی ترافیک حمایت می‌شوند. در زمان ثبت نام، شرکت کنندگان رانندگان فعال 65-79 ساله بودند که از نظر شناختی سالم بودند. داده‌های مورد استفاده در این مطالعه از سه سال اول پیگیری، از آگوست 2015 تا مارس 2019 به دست آمد. در طول پیگیری، 36 شرکت‌کننده با اختلال شناختی خفیف، 8 نفر به بیماری آلزایمر، و 17 شرکت‌کننده با بیماری دیگر یا نامشخص تشخیص داده شدند. زوال عقل

محققان مجموعه‌ای از آزمایش‌های مدل‌سازی رایانه‌ای انجام دادند و دریافتند که مدل جدید یادگیری گروهی 6 تا 10 درصد دقیق‌تر از مدل‌های جنگل تصادفی و رگرسیون لجستیک در پیش‌بینی اختلالات شناختی خفیف و زوال عقل است. دو متغیر تأثیرگذار رانندگی عبارتند از: نسبت گردش به چپ به راست و تعداد رویدادهای ترمز شدید (که به عنوان مانورهایی با نرخ کاهش سرعت ≥ 0.4 گرم تعریف می شود). دی خاطرنشان کرد: «با افزایش سن، رانندگان نسبتاً کمتر گردش به چپ و بیشتر به راست می‌پیچند، زیرا پیچ‌های چپ خطرناک‌تر است».

«حدود 85 درصد از افراد مسن در ایالات متحده رانندگان دارای گواهینامه هستند. به عنوان ارجح ترین شیوه حمل و نقل شخصی، رانندگی نقش مهمی در حفظ استقلال، خودکنترلی، ارتباط اجتماعی و کیفیت زندگی دارد. راه اندازی ایمن ماشین نیاز به عملکردهای شناختی و فیزیکی ضروری دارد. مطالعه ما نشان می‌دهد که نشانگرهای دیجیتالی تعبیه‌شده در داده‌های رانندگی جمع‌آوری‌شده به‌طور معمول می‌توانند از طریق تکنیک‌های یادگیری ماشینی نوآورانه به عنوان هوش مصنوعی معتبر و قابل اعتماد برای پیش‌بینی اختلالات شناختی خفیف و زوال عقل استفاده شوند.» دانشکده بهداشت عمومی میلمن و کالج پزشکان و جراحان واگلوس و نویسنده ارشد. “تشخیص زودهنگام اختلالات شناختی خفیف و زوال عقل می تواند منجر به ارزیابی، تشخیص و مداخلات به موقع شود که به ویژه در غیاب درمان های موثر برجسته هستند.”

نویسندگان همکار عبارتند از: Carolyn DiGuiseppi، دانشکده بهداشت عمومی کلرادو. دیوید دبلیو. ابی، موسسه تحقیقات حمل و نقل دانشگاه میشیگان؛ لیندا هیل، دانشکده بهداشت عمومی سن دیگو دانشگاه کالیفرنیا؛ تلما جی. میلنز، دانشکده بهداشت عمومی میلمن کلمبیا. دیوید استروگاتز، موسسه تحقیقاتی باست. و Minjae Kim، کالج پزشکان و جراحان کلمبیا Vagelos.

این مطالعه تا حدی توسط بنیاد AAA برای ایمنی ترافیک پشتیبانی شد.