🌀 روشی امیدوارکننده برای تشخیص سریع #اوتیسم
💢 اوتیسم و دیگر اختلالات عصبی معمولاً تا چند سال پس از تولد نوزاد تشخیص داده نمی‌شوند؛ در حالی که پس از گذشت چند سال، مداخلات رفتاری و گفتار درمانی کمتر مؤثر هستند.
🔎 #تحقیقات جدیدی، نشان می‌دهد که اندازه‌گیری دو فاکتور ساده می‌تواند به تشخیص این اختلالات کمک کند؛ «بروز نوسان در انقباض #مردمک_چشم» و «#ضربان_قلب». این‌ها می‌توانند به تشخیص زودهنگام اختلالاتی مانند اوتیسم کمک کنند.
📝 این مطالعه به سرپرستی «مایکل فاجیولینی» از بیمارستان کودکان بوستون و «پترو آرتونی» انجام شده است. آن‌ها یک الگوریتم یادگیری ماشین طراحی کرده‌اند که می‌تواند غیرعادی بودن انقباضات مردمک چشم را به عنوان نشانه‌ی اختلال اوتیسم شناسایی کند. آن‌ها نشان داده‌اند که این الگوریتم می‌تواند سندروم رت را نیز پیش‌بینی کند.
📚 محققین امیدوارند که این سیستم بتواند هشدار زودهنگامی برای اختلال #اوتیسم باشد. آن‌ها پیش‌بینی می‌کنند که این سیستم در آینده بتواند برای پایش پاسخ بیماران به درمان‌های انجام شده نیز مؤثر واقع شود. فاجیولینی می‌گوید: «ما مایل هستیم که بدانیم به صورت کمّی، عینی و حسی چه اتفاقی در مغز می‌افتد. نشانگرهای زیستی که منعکس‌کننده‌ی فعالیت‌های مغزی باشند و بتوان آن‌ها را به‌صورت کمّی اندازه‌گیری کرد و انحراف نداشته باشند نیز تاکنون وجود نداشته‌اند. یک ماشین هوشمند می‌تواند یک نشانگر را بدون توجه به میزان فعالیت بیمار اندازه‌گیری کند؛ در حالی که تحت تاثیر اختلالات دیگر نیز قرار نمی‌گیرد.»
🔖 گروه فاجیولینی سیستمی طراحی کردند که نوسانات مردمک چشم موش‌های مبتلا به اوتیسم را اندازه‌گیری می‌کند. آن‌ها دریافتند که قبل از نشان دادن رفتارهای اوتیسمی، مردمک چشم با نوسان انقباض بروز این بیماری را نشان می‌دهد. این نوسانات در موش‌های مبتلا به سندروم رت نیز رخ می‌دهد.
🖌 محققین برای پیدا کردن ارتباط تغییرات مشاهده شده در انقباض مردمک با سیستم‌ها مغزی، از یک موش که پروتئین «LYNX1» را در بدن خود نداشته است، استفاده کردند و با رصد ۶۰ ساعته‌ی حرکات آن، یک الگوریتم یادگیری عمیق طراحی کردند که بتواند انقباضات غیرعادی مردمک چشم موش‌ها را شناسایی کند. این الگوریتم بر روی ۳۵ دختر جوان مبتلا به سندروم رت و ۴۰ دختر که در ابتدای راه ابتلا بودند آزمایش شد، ولی به جای انقباض مردمک، نوسان ضربان قلب آن‌ها پایش شد. الگوریتم با دقت ۸۰ درصدی افراد مبتلا را شناسایی کرد.
🍃☘️🌿🍃☘️🌿🍃☘️🌿
💢 اوتیسم و دیگر اختلالات عصبی معمولاً تا چند سال پس از تولد نوزاد تشخیص داده نمی‌شوند؛ در حالی که پس از گذشت چند سال، مداخلات رفتاری و گفتار درمانی کمتر مؤثر هستند.
🔎 #تحقیقات جدیدی، نشان می‌دهد که اندازه‌گیری دو فاکتور ساده می‌تواند به تشخیص این اختلالات کمک کند؛ «بروز نوسان در انقباض #مردمک_چشم» و «#ضربان_قلب». این‌ها می‌توانند به تشخیص زودهنگام اختلالاتی مانند اوتیسم کمک کنند.
📝 این مطالعه به سرپرستی «مایکل فاجیولینی» از بیمارستان کودکان بوستون و «پترو آرتونی» انجام شده است. آن‌ها یک الگوریتم یادگیری ماشین طراحی کرده‌اند که می‌تواند غیرعادی بودن انقباضات مردمک چشم را به عنوان نشانه‌ی اختلال اوتیسم شناسایی کند. آن‌ها نشان داده‌اند که این الگوریتم می‌تواند سندروم رت را نیز پیش‌بینی کند.
📚 محققین امیدوارند که این سیستم بتواند هشدار زودهنگامی برای اختلال #اوتیسم باشد. آن‌ها پیش‌بینی می‌کنند که این سیستم در آینده بتواند برای پایش پاسخ بیماران به درمان‌های انجام شده نیز مؤثر واقع شود. فاجیولینی می‌گوید: «ما مایل هستیم که بدانیم به صورت کمّی، عینی و حسی چه اتفاقی در مغز می‌افتد. نشانگرهای زیستی که منعکس‌کننده‌ی فعالیت‌های مغزی باشند و بتوان آن‌ها را به‌صورت کمّی اندازه‌گیری کرد و انحراف نداشته باشند نیز تاکنون وجود نداشته‌اند. یک ماشین هوشمند می‌تواند یک نشانگر را بدون توجه به میزان فعالیت بیمار اندازه‌گیری کند؛ در حالی که تحت تاثیر اختلالات دیگر نیز قرار نمی‌گیرد.»
🔖 گروه فاجیولینی سیستمی طراحی کردند که نوسانات مردمک چشم موش‌های مبتلا به اوتیسم را اندازه‌گیری می‌کند. آن‌ها دریافتند که قبل از نشان دادن رفتارهای اوتیسمی، مردمک چشم با نوسان انقباض بروز این بیماری را نشان می‌دهد. این نوسانات در موش‌های مبتلا به سندروم رت نیز رخ می‌دهد.
🖌 محققین برای پیدا کردن ارتباط تغییرات مشاهده شده در انقباض مردمک با سیستم‌ها مغزی، از یک موش که پروتئین «LYNX1» را در بدن خود نداشته است، استفاده کردند و با رصد ۶۰ ساعته‌ی حرکات آن، یک الگوریتم یادگیری عمیق طراحی کردند که بتواند انقباضات غیرعادی مردمک چشم موش‌ها را شناسایی کند. این الگوریتم بر روی ۳۵ دختر جوان مبتلا به سندروم رت و ۴۰ دختر که در ابتدای راه ابتلا بودند آزمایش شد، ولی به جای انقباض مردمک، نوسان ضربان قلب آن‌ها پایش شد. الگوریتم با دقت ۸۰ درصدی افراد مبتلا را شناسایی کرد.
🍃☘️🌿🍃☘️🌿🍃☘️🌿