Naukowcy z Uniwersytetu Maryland wykorzystują algorytmy uczenia maszynowego
Badacze z Centrum Bioinformatyki i Biologii Obliczeniowej (CBCB) Uniwersytetu Maryland współpracują z innymi ośrodkami naukowymi, aby opracować precyzyjną metodę diagnozowania Parkinsona. Używają sensorów śledzących ruch, które noszą pacjenci, a następnie dane te są analizowane przez algorytmy uczenia maszynowego. Dzięki temu możliwe jest:
- Wcześniejsze diagnozowanie choroby na podstawie zebranych danych,
- Dokładniejsze wykrywanie objawów choroby Parkinsona,
- Automatyzacja procesu diagnostycznego, co redukuje konieczność wielu czasochłonnych wizyt w klinikach.
"Diagnozowanie zaburzeń ruchowych jest bardzo trudne, a proces ten jest subiektywny i często mało precyzyjny" – Michael Cummings
Sensor na dolnej części pleców
W badaniach zastosowano pojedynczy sensor umieszczony na dolnej części pleców pacjentów. Zespół naukowców odkrył, że:
- Jeden sensor i jedno zadanie ruchowe mogą dostarczyć precyzyjnych informacji o objawach choroby,
- Algorytmy uczenia maszynowego skutecznie analizują zebrane dane,
- Dokładność diagnozy wyniosła 92,6%, co przewyższa dotychczasową dokładność tradycyjnych metod diagnostycznych (81%).
"Nasze badania pokazują, że jeden sensor i jedno zadanie ruchowe mogą dostarczyć precyzyjnych informacji o objawach choroby" – Rana Khalil
Wyższa precyzja i wcześniejsza diagnoza
Nowa metoda oferuje wiele korzyści, w tym:
- Skrócenie czasu potrzebnego na diagnozowanie choroby,
- Zmniejszenie liczby wizyt pacjentów w klinikach,
- Redukcję stresu psychicznego i fizycznego pacjentów, wynikającego z opóźnionej diagnozy lub błędnych wyników.
Dalsze badania nad innymi zaburzeniami ruchowymi
Naukowcy z CBCB kontynuują badania nad różnicowaniem choroby Parkinsona i innych zaburzeń ruchowych. Ich celem jest:
- Zwiększenie precyzji diagnozy innych schorzeń,
- Zmniejszenie ryzyka błędnych diagnoz,
- Szybsza pomoc medyczna dla pacjentów cierpiących na różnorodne zaburzenia ruchowe.