現今帕金森氏症（Parkinson’s disease, PD）仍為較難診斷與追蹤的疾病，因其主要依賴於運動出現失調情形如顫抖、僵硬或行動遲緩等，然而這些症狀常於疾病發作後數年才顯現。近期，美國麻省理工（Massachusetts Institute of Technology, MIT）電子工程與電腦科學（EECS）學系的教授與其研究團隊共同開發了人工智慧（AI）模型，可透過人體呼吸模式來檢測帕金森氏症的病情。此創新研究已於 8 月 22 日刊登於 Nature Medicine 期刊中。
美國國家衛生院（NIH）投入 2300 萬美金入遠端癌症照護研究！（基因線上國際版）難以診斷與治療的帕金森氏症
帕金森氏症為全球罹患人數最快速成長的神經性疾病；然而截至目前，因該疾病尚無可有效追蹤的生物標記物，仍無藥物能有效逆轉或阻止疾病的進程。現今，帕金森氏症的病情多由患者自我回報症狀，或由醫師根據 MDS-UPDRS（Movement Disorder Society Unified Parkinson’s Disease Rating Scale ）評分量表評估。不過該量表屬於半主觀，靈敏性不高，無法捕捉患者病情的微小變化，也因此該疾病的相關臨床疾病通常需進行數年才能獲取具足夠可信度的 MDS-UPDRS 分數變化，而這也延遲了診斷與療法的開發。根據文獻指出，現今帕金森氏症的藥物開發平均成本為 13 億美元，開發時程平均為 13 年，此限制也降低了藥廠對此類疾病的興趣。
近年來，也有研究團隊透過腦脊髓液（cerebrospinal fluid）和神經造影（neuroimaging）等方式研究帕金森氏症的病情，然而其侵入性、高成本及需要專業醫療中心執行等特性使之難以應用於早期診斷或長期病程追蹤。
人工智慧偵測呼吸裝置，零接觸診斷帕金森氏病情
為改善帕金森氏症的診斷效率，麻省理工的研究團隊首先蒐集自梅約醫學中心（Mayo Clinic）、麻省總醫院（Massachusetts General Hospital）等睡眠中心的數據，接著讓可模擬人類大腦運作的演算法學習帕金森氏症的夜間睡眠的呼吸模式，使之可預測人體定量腦電圖（quantitative electroencephalogram, qEEG），再利用呼吸帶（breathing belt）或無線訊號以不接觸到患者的前提下，辨別帕金森氏症患者的惡化程度以追蹤其病程。
此一偵測模式將完全不會干擾到患者與照護者，該裝置透過與無線網路路由器連接，可散發無線訊號，可即時傳達至裝置的中樞網路以分析患者對於周遭環境的反應及其呼吸模式。
研究團隊根據使用呼吸帶或無線蒐集將數據結果分兩組，並個別分析訊號的 ROC 曲線下面積，來了解演算法對於帕金森氏症的精確性與敏感性。接著，再透過 AI 模型評估夜間呼吸模式與 MDS-UPDRS 評分量表的相關性以生成帕金森氏症嚴重程度的分數。研究結果顯示，此新技術除了具有高精確性外，其疾病嚴重程度的預測也與 MDS-UPDRS 所評估出分數有強烈相關性，顯示研究團隊所研發的 AI 模型可展現帕金森氏症的嚴重程度。
研究團隊認為此研究提供了帕金森氏症全新的非侵入式生物標記診斷方式，不但可應用於疾病診斷，更可客觀地分析疾病的惡化程度，將有望縮短此疾病未來的藥物臨床開發時程。
延伸閱讀：細胞分裂時怎麼「打包」染色體？新機制發現染色體緊縮以防穿孔參考資料：
1. https://news.mit.edu/2022/artificial-intelligence-can-detect-parkinsons-from-breathing-patterns-0822
2. https://www.nature.com/articles/s41591-022-01932-x
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：service@geneonlineasia.com
