Istraživači sa TAU-ovog Fakulteta medicinskih i zdravstvenih nauka pozvali su međunarodnu zajednicu istraživača mašinskog učenja da učestvuju u takmičenju osmišljenom da unaprede njihovo proučavanje i pomognu neurolozima: razvoj modela mašinskog učenja koji će podržati nosivi senzor za kontinuirano, automatizovano praćenje i kvantifikaciju zamrzavanja epizoda hoda (FOG) kod ljudi sa Parkinsonovom bolešću. Prijavljeno je blizu 25.000 rešenja, a najbolji algoritmi su ugrađeni u novu tehnologiju.
Studiju je vodio prof. Jeff Hausdorf sa Odseka za fizikalnu terapiju Fakulteta medicinskih i zdravstvenih nauka i Sagol škole neuronauka na Univerzitetu u Tel Avivu i Centra za proučavanje kretanja, spoznaje i mobilnosti u Tel Avivu. Medicinski centar, zajedno sa Amitom Salomonom i Eranom Gazitom iz Medicinskog centra Tel Aviv. Drugi istraživači uključivali su istraživače iz Belgije, Francuske i Univerziteta Harvard.
Rad je objavljen u Nature Communications i predstavljen u časopisu Editors’ Highlights.
Profesor Hausdorf, stručnjak za hod, starenje i Parkinsonovu bolest, objašnjava: „MAGLA je iscrpljujući i do sada neobjašnjiv fenomen, koji pogađa 38–65% obolelih od Parkinsonove bolesti. Epizoda magle može da traje od nekoliko sekundi do više od jednog minuta, tokom kojeg se pacijentova stopala iznenada „zalepe” za pod, a osoba nije u stanju da počne ili nastavi da hoda.
„MAGLA može ozbiljno narušiti mobilnost, nezavisnost i kvalitet života ljudi sa Parkinsonovom bolešću, izazivajući veliku frustraciju i često dovodeći do padova i povreda.
Amit Salomon dodaje: „Danas se dijagnoza i praćenje FOG obično zasnivaju na upitnicima za samoprocenu i vizuelnom posmatranju od strane kliničara, kao i na analizi snimaka pacijenata u pokretu okvir po kadar.
„Ova poslednja metoda, trenutno preovlađujući zlatni standard, je pouzdana i tačna, ali ima neke ozbiljne nedostatke: dugotrajan je, zahteva angažovanje najmanje dva stručnjaka i neizvodljiv je za dugotrajno praćenje kod kuće i svakodnevno. životno okruženje Istraživači širom sveta pokušavaju da koriste nosive senzore da prate i kvantifikuju svakodnevno funkcionisanje pacijenata.
U trenutnoj studiji, istraživači su prikupili podatke iz nekoliko postojećih studija, koje se odnose na preko 100 pacijenata i oko 5.000 FOG epizoda. Svi podaci su postavljeni na platformu Kaggle, Gugl kompaniju koja sprovodi međunarodna takmičenja u mašinskom učenju.
Članovi svetske zajednice za mašinsko učenje bili su pozvani da razviju modele koji bi bili ugrađeni u nosive senzore za kvantifikaciju različitih parametara FOG (npr. trajanje, učestalost i ozbiljnost epizoda). Ukupno 1.379 grupa iz 83 zemlje odgovorilo je na izazov i na kraju podnelo ukupno 24.862 rešenja.
Rezultati najboljih modela bili su veoma bliski onima dobijenim metodom video analize i znatno bolji od prethodnih eksperimenata koji su se oslanjali na jedan nosivi senzor. Štaviše, modeli su doveli do novog otkrića: zanimljivog odnosa između frekvencije magle i doba dana.
Koautor Eran Gazit primećuje: „Prvi put smo primetili ponavljajući dnevni obrazac, sa vrhuncem epizoda magle u određenim satima dana, koji mogu biti povezani sa kliničkim fenomenima kao što su umor ili efekti lekova. nalazi su značajni i za klinički tretman i za nastavak istraživanja o FOG-u.“
Prof. Hausdorff kaže: „Nosivi senzori podržani modelima mašinskog učenja mogu kontinuirano da prate i kvantifikuju epizode FOG, kao i opšte funkcionisanje pacijenta u svakodnevnom životu. Ovo daje kliničaru tačnu sliku stanja pacijenta u svakom trenutku: ima bolest poboljšan ili pogoršan Da li reaguje na propisane lekove?
„Informisani kliničar može brzo da reaguje, dok podaci prikupljeni ovom tehnologijom mogu da podrže razvoj novih tretmana. Pored toga, naša studija pokazuje moć takmičenja u mašinskom učenju u unapređenju medicinskih istraživanja.
„Takmičenje koje smo pokrenuli okupilo je sposobne, dinamične timove širom sveta, koji su uživali u prijateljskoj atmosferi učenja i takmičenja za dobar cilj. Brzo poboljšanje je postignuto u efikasnoj i preciznoj kvantifikaciji FOG podataka. Štaviše, studija je postavila osnove za sledeću fazu: dugoročno praćenje FOG 24/7 u kući pacijenta i stvarnom okruženju.“
