Naukowcy z Rensselaer Polytechnic Institute (RPI) opracowali model sztucznej inteligencji Quest2Dx, który może usprawnić wczesne badania przesiewowe w kierunku choroby Parkinsona. System analizuje odpowiedzi pacjentów w kwestionariuszach zdrowotnych, rozpoznaje potencjalne sygnały choroby i radzi sobie z brakującymi danymi. Co istotne, skrócenie ankiety do 30 pytań pozwoliło zachować dokładność zbliżoną do pełnych formularzy. Wyniki opublikowano w czasopiśmie „Nature Aging”.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja Quest2Dx może wspierać wczesne wykrywanie choroby Parkinsona na podstawie kwestionariuszy zdrowotnych.
- W jaki sposób model AI analizuje brakujące odpowiedzi i rozpoznaje istotne informacje w różnych formularzach medycznych.
- Które wczesne objawy i czynniki ryzyka choroby Parkinsona mogą mieć największe znaczenie w badaniach przesiewowych.
- Dlaczego ograniczenie kwestionariusza do 30 pytań może usprawnić identyfikowanie pacjentów wymagających dalszej diagnostyki neurologicznej.
Sztuczna inteligencja może pomóc wcześniej wykrywać chorobę Parkinsona
Choroba Parkinsona jest postępującym schorzeniem neurodegeneracyjnym, którego rozpoznanie opiera się przede wszystkim na ocenie klinicznej, w tym charakterystycznych objawów ruchowych. Jednak proces chorobowy może rozwijać się przez wiele lat, zanim pojawią się wyraźne zaburzenia motoryczne.
Wczesne sygnały, takie jak utrata węchu, zaburzenia snu, zmiany nastroju czy trudności z pisaniem, bywają niespecyficzne i mogą zostać przeoczone podczas rutynowych konsultacji. Zespół naukowców kierowany przez dr. Pingkuna Yana z Rensselaer Polytechnic Institute opracował system Quest2Dx, którego zadaniem jest identyfikowanie pacjentów wymagających pogłębionej diagnostyki neurologicznej. Narzędzie nie stawia rozpoznania choroby Parkinsona. Ma natomiast wspierać wczesną selekcję osób, u których występują niepokojące kombinacje objawów i czynników ryzyka.
Quest2Dx – jak działa model AI analizujący kwestionariusze?
Quest2Dx wykorzystuje głębokie uczenie oraz modelowanie języka do interpretowania pytań i odpowiedzi zawartych w ankietach zdrowotnych. W przeciwieństwie do tradycyjnych algorytmów system analizuje znaczenie i kontekst odpowiedzi, a nie wyłącznie ich pozycję w formularzu. Rozwiązanie opracowano z myślą o trzech istotnych problemach:
- Brakujące odpowiedzi – model może analizować niekompletne kwestionariusze bez konieczności standardowego uzupełniania brakujących danych.
- Różne wersje ankiet – rozpoznaje znaczenie pytań pomimo zmian ich sformułowania lub kolejności.
- Identyfikacja najważniejszych informacji – wskazuje kombinacje pytań i odpowiedzi najbardziej przydatne w ocenie ryzyka choroby Parkinsona.
Może to ograniczyć problemy związane z imputacją danych, czyli statystycznym zastępowaniem pominiętych odpowiedzi wartościami szacunkowymi.
Badania na danych PPMI i Fox Insight
Do opracowania modelu wykorzystano dane z inicjatywy Parkinson’s Progression Markers Initiative (PPMI), natomiast jego walidację przeprowadzono na niezależnym zbiorze Fox Insight. Kwestionariusz PPMI obejmował 187 pytań, a formularz Fox Insight zawierał ponad 300 pytań.
Naukowcy wykazali, że Quest2Dx osiągał lepsze wyniki niż porównywane modele, w tym rozwiązanie wykorzystujące wcześniej wytrenowany duży model językowy Llama 2 Ważną zaletą systemu okazała się możliwość przenoszenia wiedzy między kwestionariuszami o odmiennej strukturze. Oznacza to potencjalne zastosowanie narzędzia w różnych systemach zbierania danych medycznych, bez konieczności projektowania identycznych formularzy dla wszystkich placówek.
Które objawy i czynniki ryzyka Parkinsona rozpoznaje AI?
Analiza wykazała, że szczególnie przydatne informacje dotyczyły trudności w wykonywaniu codziennych czynności, takich jak wstawanie z łóżka czy jedzenie. Model identyfikował również znaczenie czynników środowiskowych, w tym narażenia na rozpuszczalniki przemysłowe i środki odtłuszczające.
Wśród innych potencjalnie istotnych sygnałów znalazły się zaburzenia zachowania podczas snu REM, lęk oraz nasilone napięcie i stres. Autorzy podkreślają jednak, że żaden pojedynczy objaw ani czynnik ryzyka nie wystarcza do rozpoznania choroby Parkinsona. Znaczenie diagnostyczne może wynikać dopiero z ich współwystępowania.
Tylko 30 pytań zamiast ponad 180. Ważny wynik badania
Jednym z najbardziej praktycznych rezultatów było opracowanie skróconego kwestionariusza obejmującego 30 pytań wybranych przez Quest2Dx. Okazało się, że model wykorzystujący ograniczony zestaw odpowiedzi zachowywał skuteczność klasyfikacji zbliżoną do wyników uzyskiwanych przy analizie pełnych formularzy. To istotne z perspektywy podstawowej opieki zdrowotnej, gdzie czas przeznaczony na zbieranie wywiadu i analizę dokumentacji jest ograniczony.
Krótsze ankiety mogłyby zmniejszyć obciążenie pacjentów oraz ułatwić identyfikowanie osób wymagających konsultacji neurologicznej.
Czy Quest2Dx znajdzie zastosowanie w podstawowej opiece zdrowotnej?
Naukowcy wskazują, że starzenie się populacji zwiększa potrzebę opracowywania dostępnych, nieinwazyjnych metod wczesnego wykrywania chorób neurodegeneracyjnych. Quest2Dx może w przyszłości wspierać lekarzy POZ w analizie danych zgłaszanych przez pacjentów i podejmowaniu decyzji o skierowaniu na dalsze badania.
System nie jest jednak gotowym narzędziem diagnostycznym. Nadal może generować wyniki fałszywie dodatnie i fałszywie ujemne, dlatego wymaga dalszej walidacji oraz oceny w rzeczywistych warunkach klinicznych. Autorzy rozważają również możliwość dostosowania technologii do badań przesiewowych w kierunku innych schorzeń, w tym chorób układu sercowo-naczyniowego.
Główne wnioski
- Naukowcy z Rensselaer Polytechnic Institute (RPI) opracowali model sztucznej inteligencji Quest2Dx do badań przesiewowych w kierunku choroby Parkinsona. System analizuje kwestionariusze zdrowotne i pomaga identyfikować osoby, które mogą wymagać pogłębionej diagnostyki neurologicznej.
- Quest2Dx potrafi analizować niekompletne ankiety bez standardowego uzupełniania brakujących odpowiedzi. Model wykorzystuje znaczenie i kontekst pytań, dzięki czemu może pracować z formularzami o różnej strukturze. Jego skuteczność oceniono na danych PPMI i Fox Insight.
- Skrócenie kwestionariusza do 30 najważniejszych pytań pozwoliło zachować dokładność zbliżoną do pełnych formularzy zawierających 187 lub ponad 300 pytań. Wśród istotnych informacji znalazły się trudności w codziennym funkcjonowaniu, zaburzenia snu REM, lęk oraz narażenie na rozpuszczalniki przemysłowe.
- Quest2Dx może w przyszłości usprawnić wczesne badania przesiewowe w podstawowej opiece zdrowotnej, ale nie zastępuje diagnostyki lekarskiej. Model opisany w „Nature Aging” wymaga dalszej walidacji klinicznej, ponieważ może generować wyniki fałszywie dodatnie i fałszywie ujemne.
Źródło:
- https://www.nature.com/articles/s43587-026-01260-6
- https://news.rpi.edu/2026/11/04/rpi-team-builds-ai-model-more-effective-early-parkinsons-screening
