Международный конкурс ИИ-моделей в Израиле помогает лечению болезни Паркинсона

Ученые Тель-Авивского университета провели международный конкурс на лучший алгоритм машинного обучения для носимого датчика, регистрирующего обострение болезни Паркинсона.

Членам международного сообщества исследователей машинного обучения было предложено принять участие в конкурсе по разработке ИИ-модели для носимого датчика непрерывного мониторинга пациентов, страдающих болезнью Паркинсона. ИИ-модель должна была распознавать и регистрировать так называемые эпизоды замирания походки (FOG). Было представлено около 25 тысяч решений, и лучшие алгоритмы уже включены в новую технологию.

Работа опубликована в журнале Nature Communications.

Ведущий автор работы профессор Джефф Хаусдорф говорит: "FOG – это изнурительное и до сих пор необъяснимое явление, поражающее 38-65% пациентов, страдающих болезнью Паркинсона. Эпизод FOG может длиться от нескольких секунд до минуты. В это время ноги пациента внезапно "приклеиваются" к полу, и человек не может сделать ни шага. Это часто приводит к падениям и травмам".

В новой работе ученые собрали данные, касающиеся более 100 пациентов и примерно 5000 эпизодов FOG. Все данные были загружены на платформу Kaggle, компании Google, которая проводит международные конкурсы по машинному обучению.

Членам мирового сообщества машинного обучения было предложено разработать модели, которые будут встроены в носимые датчики для количественной оценки различных параметров FOG (продолжительность, частота и тяжесть эпизода). 1379 групп из 83 стран приняли участие в конкурсе. Всего было представлено 24862 решения.

Результаты лучших моделей были очень близки по точности к покадровому видеоанализу, который сегодня используют врачи (но врачи часто тратят на это очень много времени). Эти модели превзошли точность экспериментов, основанных на одном носимом датчике. Более того, модели привели к открытию закономерности, неизвестной врачам: была выявлена связь между частотой FOG и временем суток.

Профессор Хаусдорф говорит: "Носимые датчики, оснащенные моделями машинного обучения, могут непрерывно контролировать и количественно оценивать эпизоды FOG. Это дает врачу точную картину состояния пациента: улучшилось или ухудшилось течение болезни? Поддается ли она назначенным лекарствам? Информированный врач может быстро реагировать. Данные, собранные с помощью этой технологии, могут способствовать разработке новых методов лечения. Кроме того, наше исследование демонстрирует силу конкурсов машинного обучения в продвижении медицинских исследований".

Исследование заложило основу для следующего этапа: долгосрочного круглосуточного мониторинга FOG в домашних условиях пациента и в реальной среде.