Привет, SE7EN!
Болезнь Альцгеймера — это то, о чем никто не хочет думать, но все боятся. Она приходит не сразу, а медленно подкрадывается. Сначала теряешь ключи, потом забываешь, зачем вообще пошел на кухню. Но что, если я скажу вам, что ваш смартфон — тот самый, который вы используете, чтобы листать мемы или проверять, где ближайшая кафешка — может стать вашим персональным диагностом? Да-да, этот маленький гаджет может выявить первые признаки когнитивного снижения задолго до того, как вы начнете теряться на улице.
Исследователи из Теперь поговорим о том, как именно исследователи проводили анализ. Ведь просто собрать данные недостаточно — их нужно правильно интерпретировать. Первым шагом был анализ GPS-данных. Чтобы сравнивать маршруты, которые были пройдены разными участниками, использовался метод динамического временного выравнивания (DTW). Это метод позволяет сравнивать временные ряды разной длины, что в целом идеально подходит для анализа GPS-траекторий, ведь каждый участник мог пройти маршрут за разное время и с разной точностью. DTW позволяет выровнять данные по времени, чтобы можно было сравнить маршруты даже при условии, что они имеют разную протяжённость. Далее данные были обработаны с помощью кластеризации методом k-медоидов. Этот метод помогает разделить участников на группы по схожести их поведения при навигации. У исследователей получилось выделить три основных типа навигационного поведения: Те, кто шёл практически напрямую, без значительных отклонений. Те, кто делал небольшие ошибки, но в целом двигался к цели. Те, кто блуждал, теряя много времени и делая много лишних манёвров. Однако кластеризация показала, что GPS-данные сами по себе не дают полной картины. Более важные данные были получены из метрик поведения: кол-во остановок для ориентации. Чтобы глубже понять различия в поведении участников, учёные применили метод латентного профильного анализа (LPA). Это статистический метод, который позволяет выделить скрытые группы на основе определённых характеристик. В нашем случае — на основе навигационных показателей. LPA позволил выделить три основные группы: Высокоэффективные участники (в основном молодые люди). Они тратили меньше времени, реже смотрели на карту и практически не останавливались. Среднеэффективные участники (в основном здоровые пожилые люди). Они двигались немного медленнее и делали больше остановок. Низкоэффективные участники (в основном пациенты с SCD). Эти участники чаще всего останавливались для ориентации, дольше шли по маршруту и чаще пользовались картой. После всех проведённых анализов исследователи сделали ключевой вывод: количество остановок для ориентации оказалось основным показателем, который отличал пациентов с SCD от остальных групп участников. Это важное наблюдение позволило построить модель, которая с точностью до 76% могла предсказать, находится ли человек в группе риска по когнитивным нарушениям. Также выяснилось, что традиционные метрики маршрута, такие как пройденное расстояние или скорость передвижения, не дают столь значимых результатов для предсказания когнитивных изменений. Важно отметить, что эти показатели, хотя и отражают физическую активность, мало говорят о когнитивных процессах, происходящих в мозге участников. На этом рисунке картинка с тремя кластерами. Показаны три типичных маршрута, пройденных участниками исследования. Кластер 1 (рисунок a) включает участников, которые почти не отклонялись от прямого маршрута и следовали наиболее кратчайшему пути от точки к точке. Кластер 2 (рисунок b) показывает, что некоторые участники совершали несколько небольших ошибок, но всё же двигались к целям относительно прямолинейно. Кластер 3 (рисунок c) демонстрирует участников, которые совершали значительные отклонения от маршрута и имели трудности с навигацией. Идем далее. На этом рисунке зображены результаты LPA, который использовался для выделения профилей навигации на основе данных о времени, скорости передвижения, количестве остановок и использованию карты. Профиль 1 (P1 — High) соответствует высокоэффективным участникам, которые быстро перемещались, редко пользовались картой и практически не делали остановок для ориентации. Как видно на рисунке a, это в основном молодые участники. Профиль 2 (P2 — Mid) показывает средние показатели по всем метрикам, в основном среди здоровых пожилых участников. Профиль 3 (P3 — Low) представляет участников, которые двигались медленнее, делали больше остановок для ориентации и чаще пользовались картой, что характерно для пациентов с SCD. И наконец рассмотрим связь связь между количеством остановок для ориентации и когнитивными способностями участников. Рисунок a демонстрирует отрицательную корреляцию между количеством остановок и результатами теста Trail Making A/B, который измеряет исполнительную функцию. Чем больше остановок делали участники, тем ниже были их когнитивные способности. Рисунок b показывает зависимость числа остановок от количества точек принятия решений на маршруте (перекрёстков). Пациенты с SCD делали значительно больше остановок в местах с большим количеством перекрёстков, что указывает на их затруднения с принятием решений во время навигации. Еще существуют исследования, которые использовали VR. Они показали интересные результаты, подтверждающие гипотезу о том, что когнитивные нарушения можно выявлять через задачи навигации. Например, исследование, проведённое Morganti et al., 2013, показало, что пациенты с ранней стадией болезни Альцгеймера имели значительные проблемы при выполнении навигационных задач в виртуальной реальности. Эти задачи включали перевод пространственных знаний из аллоцентрической перспективы (внешняя ориентация, например, карта) в эгоцентрическую (собственное положение в пространстве). У пациентов с Альцгеймером были заметные трудности в этой когнитивной трансляции, что подтверждает связь между нарушением пространственной ориентации и ранними когнитивными изменениями. Если интересны дополнительные подробности, можно ознакомиться с работами, прикрепляю ссылки: Если говорить на простом, человеческом языке, это исследование открывает совершенно новый подход к диагностике когнитивных нарушений. Вместо того чтобы проходить через дорогостоящие и утомительные процедуры вроде МРТ или целого набора нейропсихологических тестов, можно просто… прогуляться. Берёте телефон, отправляетесь на небольшую прогулку по парку или, например, по кампусу университета — и вуаля, ваш смартфон собирает данные о вашем когнитивном состоянии. Без длинных очередей в клиниках и завышенных чеков на обследования. Конечно, никто не говорит, что теперь телефоны заменят врачей или полное медицинское обследование. Но как инструмент раннего скрининга, который может подсказать вам или врачу, что пора обратить внимание на своё когнитивное здоровье — это весьма мощное и, главное, доступное решение. Ведь всегда лучше поймать проблему на старте, чем ждать, когда она начнёт выбивать почву из-под ног. Эта статья основана на результатах исследования, проведённого учёными университета Магдебурга, которое было опубликовано в PLOS Digital Health. Подробнее с исследованием можно ознакомиться по ссылке: https://doi.org/10.1371/journal.pdig.0000613..
Как анализировались данные?
Динамическое временное выравнивание
Кластеризация
Латентный профильный анализ
Главные результаты
Альтернативные исследования и подтверждение гипотезы
Что в итоге
