նախընտրելի դարձնել
Քնի լաբորատորիայում մեկ գիշերվա ընթացքում հավաքված տվյալների հիման վրա, արհեստական բանականությունը կարող է գնահատել ավելի քան 130 հիվանդության զարգացման ռիսկը՝ Պարկինսոնի հիվանդությունից մինչև սրտի կաթված և կրծքագեղձի քաղցկեղ։ Սակայն ծրագիրը բացահայտում է ոչ թե պատճառները, այլ միայն փոխկապակցվածություններ համահարաբերակցությունները։ Արհեստական բանականության նոր մոդելը վերլուծում է ուղեղի ալիքները, սրտի զարկերը, շնչառությունը, քնի ընթացքում մարդու մարմնի և մկանների ակտիվությունը։
Ավելին, արհեստական բանականությունը դա կարող է անել հիվանդության առաջին ախտանիշների ի հայտ գալուց տարիներ առաջ, ընդգծում է և Nature Medicine բժշկագիտական հանդեսում հրապարակված հետազոտության հեղինակներից մեկը՝ Սթենֆորդի համալսարանի դոցենտ Ջեյմս Զոուն։ SleepFM անվամբ արհեստական բանականության նոր մոդելը մշակել է Սթենֆորդի համալսարանի կենսաբժշկական տվյալների գիտնական Ռահուլ Թափայի գլխավորած թիմը և մարզվել է քնի լաբորատորիաներից ստացված հարյուր հազարավոր ժամերի տվյալների վրա։
Բուժառուների քնի հետազոտությունը հատուկ լաբորատորիայում կոչվում է պոլիսոմնոգրաֆիա։ Այս ախտորոշիչ հետազոտության ընթացքում, որը սովորաբար տևում է ընդամենը մեկ գիշեր, վերահսկվում է քնի ժամանակ օրգանիզմի տարբեր համակարգերի գործունեությունը. ուղեղը, սիրտը, շնչառությունը, մկանների լարվածությունը, աչքերի և ոտքերի շարժումները և այլն: SleepFM-ը «մարզելու» համար թիմն օգտագործել է մոտավորապես 585 հազար ժամ տևողությամբ նման ձայնագրություններ, որոնք հավաքվել են մոտավորապես 65 հազար մարդուց՝ տարբեր խմբերից, որոնք հիմնականում հետազոտվել են Սթենֆորդի համալսարանի քնի բժշկության կենտրոնում:
Նախնական մարզման ժամանակ արհեստական բանականությունը «սովորել է» քնի ընթացքում համակարգել և վիճակագրորեն գրանցել ուղեղի, սրտի և շնչառական ազդանշանների տվյալները: Հիմնական մարզումից հետո SleepFM մոդելը հետագայում կատարելագործվել է՝ լուծելով այնպիսի խնդիրներ, ինչպիսիք են քնի փուլերի հայտնաբերումը և քնի ապնոեի ախտորոշումը, հասնելով ավելի ընդհանուր նշանակության մոդելների, ինչպիսիք են U-Sleep-ը և YASA-ն, հետ համեմատելի կատարողականության մակարդակների: Այդ ծրագրերը քնի փուլերի ամենահայտնի դասակարգիչներից են. դրանք վերլուծում են էլեկտրաուղեղագրության (ԷԷԳ) տվյալները, որոնք ապահովում են գլխուղեղի գործունեության մանրամասն պատկեր և օգնում են տարբեր նյարդաբանական վիճակներ և հոգեկան առողջության խանգարումներ ախտորոշել:
Այնուհետև հետազոտողները համեմատել են քնի տվյալները վերջին 25 տարիների ընթացքում էլեկտրոնային բժշկական գրառումների հետ և հետազոտել, թե որ ախտորոշումները կարելի է կանխատեսել մեկ գիշերվա ընթացքում ստացված տեղեկությունների հիման վրա: Հազարից ավելի կատեգորիաներից մոդելը բացահայտել է 130 հիվանդություն, որոնց ռիսկը կարելի է կանխատեսել միջինից մինչև բարձր ճշգրտությամբ: Ինչպես նշում է հետազոտող Ռահուլ Թապան, այդ մոտեցումը ցույց է տալիս, որ «քնի քարացած չափումները առ այսօր թերագնահատված «պատուհանիկ» են բացում մարդու երկարատև առողջական վիճակի մոնիթորինգի համար»:
Այս արդյունքները հատկապես ճշգրիտ էին դեմենցիայի, Պարկինսոնի հիվանդության, սրտամկանի ինֆարկտի, սրտի անբավարարության, քաղցկեղի որոշակի տեսակների և ընդհանուր մահացության կանխատեսման հարցում: «Սկզբունքորեն, արհեստական բանականության մոդելն ի վիճակի է մարզվել հնարավոր կանխատեսումների շատ լայն շրջանակի համար, եթե կա համապատասխան տվյալների բազա»,- ասում է Դորտմունդի տեխնիկական համալսարանի հիմնական հետազոտական կենտրոն հանդիսացող Լամարի ինստիտուտի քնի փորձագետ Սեբաստիան Բուշյագերը, որը չի մասնակցել հետազոտությանը:
Վերլուծությունը ցույց է տալիս, որ սրտի ազդանշանները հատկապես կարևոր են սրտանոթային հիվանդությունների կանխատեսման համար, մինչդեռ ուղեղի ազդանշաններն ավելի կարևոր են նյարդաբանական և հոգեբուժական խանգարումների համար: Սակայն ամենատեղեկատվականը տարբեր ազդանշանների համադրությունն է, օրինակ, երբ ԷԷԳ-ն ցույց է տալիս քնի կայուն վիճակ, մինչդեռ սիրտը «արթուն» է թվում:
Ուղեղի և սրտի միջև նման անհամապատասխանությունները կարող են վկայել թաքնված սթրեսի կամ հիվանդության վաղ փուլերի մասին՝ ախտանիշների ի հայտ գալուց շատ առաջ։ «Եթե քնի ոլորտի բժշկության մեր գործընկերները կասկածում են կապի մասին, մենք՝ որպես արհեստական բանականության մասնագետներ, կարող ենք դա ներառել կանխատեսման համակարգում կամ տրամադրել ակնարկներ այն մասին, թե որտեղ կարող են գտնվել կապերը,- DW-ին պարզաբանում է Դորտմունդի քնի մասնագետը։- Այնուամենայնիվ, մեր տրամադրած փոխհարաբերությունները հիմնականում վիճակագրական են։ Պատճառահետևանքային կապերը պետք է հաստատեն փորձագետները»։
Մոդելը հիմնականում հիմնված է քնի լաբորատորիաներից ստացված տվյալների վրա, այսինքն՝ այն մարդկանց տվյալների վրա, որոնք հիմնականում այնտեղ են ուղղորդվել քնի խնդիրների պատճառով և որոնք ապրել են բարձր տեխնոլոգիական բժշկության հասանելիություն ունեցող հարուստ շրջաններում։ Հետազոտողները ինտեգրել են կոհորտներ կոչվող մի քանի ամերիկյան և եվրոպական խմբեր։
Նրանք հետագայում փորձարկում են մոդելը անկախ հետազոտության մեջ, սակայն քնի խնդիրներից զերծ և աշխարհի ավելի քիչ զարգացած բժշկական ծառայություններ ունեցող շրջաններից եկած մարդիկ բաականաչափ ներկայացված չեն։ Հետազոտողներն ընդգծում են, որ SleepFM-ը չի բացահայտում հիվանդությունների պատճառները, այլ միայն համահարաբերակցությունները. արհեստական բանականության մոդելը ճանաչում է քնի վիճակագրական օրինաչափությունները, որոնք կարող են կապված լինել հետագա հնարավոր ախտորոշումների հետ։
«Արհեստական բանականության մեթոդների մեծ մասը չի կարողանում ճանաչել պատճառահետևանքային կապերը»,- պարզաբանում է Դորտմունդի տեխնիկական համալսարանի համակարգչային գիտնական Մաթիաս Յակոբսը, որը հետազոտում է արհեստական բանականությունը և մեքենայական ուսուցման մեթոդները քնի տվյալների վերլուծության համար և չի մասնակցել հետազոտությանը։
Մեքենայական ուսուցման մեթոդները հաշվողական մեթոդներ են, որոնք համակարգիչներին հնարավորություն են տալիս ճանաչելու օրինաչափությունները և կանխատեսումներ անել նմուշային տվյալների հիման վրա, նույնիսկ առանց ծրագրավորված լինելու հետևել յուրաքանչյուր կանոնին։ Միևնույն ժամանակ, Ջեյքոբսը «ախտորոշման և թերապիայի ներուժ է տեսնում, նույնիսկ եթե օգտագործվում են միայն վիճակագրական համահարաբերակցություններ»,- DW-ին պարզաբանել է համակարգչային գիտնականը։
