تحقیقات موجود نشان میدهد که دقت تشخیص بیماری پارکینسون در پنج سال اول ارزیابی بین ۵۵٪ تا ۷۸٪ است. بخشی از این امر به این دلیل است که اختلالات حرکتی مرتبط با پارکینسون شباهتهایی دارند، که گاهی اوقات تشخیص قطعی اولیه را دشوار میکند.
اگرچه بیماری پارکینسون یک بیماری شناخته شده است، اما این اصطلاح میتواند به انواع مختلفی از شرایط اشاره داشته باشد، از پارکینسون ایدیوپاتیک (idiopathic Parkinson's) که شایعترین نوع است، تا سایر اختلالات حرکتی مانند آتروفی سیستم چندگانه (multiple system atrophy)، یک نوع پارکینسونی؛ و فلج فوق هستهای پیشرونده (progressive supranuclear palsy). هر کدام از اینها دارای ویژگیهای حرکتی و غیرحرکتی مانند تغییرات در راه رفتن هستند، اما دارای آسیبشناسی و پیشآگهی متمایز هستند.
تقریباً یک نفر از هر چهار بیمار، یا حتی یک نفر از هر دو بیمار، به اشتباه تشخیص داده میشود.
اکنون، محققان دانشگاه فلوریدا (University of Florida) و مؤسسه بیماریهای عصبی نورمن فیکسل (Norman Fixel Institute for Neurological Diseases) در UF Health، نوع جدیدی از نرمافزار را توسعه دادهاند که به پزشکان در تشخیص افتراقی بیماری پارکینسون و شرایط مرتبط کمک میکند، زمان تشخیص را کاهش میدهد و دقت را به بیش از ۹۶٪ افزایش میدهد. این مطالعه اخیراً در نورولوژی JAMA منتشر شده است.
دکتر دیوید ویلانکورت (David Vaillancourt)، رئیس و استاد گروه فیزیولوژی کاربردی و حرکتشناسی UF میگوید: «در بسیاری از موارد، تولیدکنندگان MRI به دلیل رقابت در بازار با یکدیگر ارتباط برقرار نمیکنند. همه آنها نرمافزار و توالیهای خاص خود را دارند. در اینجا، ما نرمافزار جدیدی را توسعه دادهایم که در همه آنها کار میکند.»
به گفته ویلانکورت، اگرچه هیچ جایگزینی برای عنصر انسانی تشخیص وجود ندارد، اما حتی با تجربهترین پزشکانی که در تشخیص اختلالات حرکتی تخصص دارند، میتوانند از ابزاری برای افزایش اثربخشی تشخیص بین اختلالات مختلف بهرهمند شوند.
این نرمافزار، تمایز تصویربرداری خودکار برای پارکینسونیسم (Automated Imaging Differentiation for Parkinsonism) یا AIDP، یک نرمافزار پردازش MRI خودکار و یادگیری ماشین است که دارای یک تکنیک نشانگر زیستی غیرتهاجمی است. با استفاده از MRI وزندار انتشار (diffusion-weighted MRI)، که میزان انتشار مولکولهای آب در مغز را اندازهگیری میکند، تیم میتواند محل وقوع تخریب عصبی را شناسایی کند. سپس، الگوریتم یادگیری ماشین که به طور دقیق در برابر تشخیصهای بالینی حضوری آزمایش شده است، اسکن مغز را تجزیه و تحلیل میکند و نتایج را در اختیار پزشک قرار میدهد و نوع مختلف پارکینسون را نشان میدهد.
این مطالعه در ۲۱ مرکز انجام شد که ۱۹ مورد از آنها در ایالات متحده و دو مورد در کانادا بودند.
دکتر مایکل اوکون (Michael Okun)، مشاور پزشکی بنیاد پارکینسون و مدیر مؤسسه بیماریهای عصبی نورمن فیکسل در UF Health میگوید: «این نمونهای است که در آن نوآوری بین فناوری و هوش مصنوعی ثابت کرده است که دقت تشخیصی را افزایش میدهد و به ما این فرصت را میدهد تا درمان بیماران مبتلا به بیماری پارکینسون را بیشتر بهبود بخشیم. ما مشتاقانه منتظر هستیم تا ببینیم این نوآوری چگونه میتواند بیشتر بر جامعه پارکینسون تأثیر بگذارد و هدف مشترک ما برای نتایج بهتر برای همه را پیش ببرد.»
گام بعدی تیم، اخذ تاییدیه از سازمان غذا و داروی ایالات متحده (U.S. Food and Drug Administration) است.
دکتر آنجلوس بارمپوتیس (Angelos Barmpoutis)، استاد مؤسسه جهانهای دیجیتال در UF میگوید: «این تلاش واقعاً اهمیت همکاری بینرشتهای را برجسته میکند. به لطف تخصص پزشکی، تخصص علمی و تخصص فن آوری، ما توانستیم به هدفی دست یابیم که زندگی افراد بیشماری را تغییر خواهد داد.»
ویلانکورت و بارمپوتیس صاحبان جزئی شرکتی به نام Neuropacs هستند که هدف آن پیشبرد این نرمافزار و بهبود مراقبت از بیمار و آزمایشهای بالینی است که ممکن است در آن استفاده شود.
اطلاعات بیشتر:
دیوید ای. ویلانکورت و همکاران، تمایز تصویربرداری خودکار برای پارکینسونیسم، نورولوژی JAMA (2025). DOI: 10.1001/jamaneurol.2025.0112
ارائهشده توسط دانشگاه فلوریدا