В рамках деятельности Всемирного Экономического Форума (WEF) группа специалистов представила “The Digital Future of Brain Health” (Цифровое будущее здоровья мозга). Он посвящен перспективам развития цифровых технологий в исследовании мозга человека.
«Несмотря на существенные успехи последних десятилетий в сфере медицины и науки, понимание работы человеческого мозга (наиболее сложного органа нашего тела) остается одним из величайших вызовов, как и поиск решений для лечения нарушений работы мозга», - пишут авторы отчета.
В последние десятилетия во всем мире проводят нейробиологические исследования, которые стоят миллиарды долларов, а цель у них единая – разработать передовые технологии изучения мозга, - говорится в документе.
Авторы подчеркивают, что современные условия благоприятствуют такого рода исследованиям, ведь цифровые технологии заняли уверенную позицию в медицине. Например, современные технологии помогают накапливать огромный массив биологических данных, хранить и обрабатывать их с помощью передовых инструментов.
Например, десять лет назад секвенирование генома стоило $100 млн, а сейчас это можно сделать за тысячи долларов. Предполагается, что новые технологии прогнозирования с использованием большого массива данных помогут разработать методы прогностического анализа в сфере персонализированной медицины. Кроме того, медицина все больше смещается в область предотвращения заболевания, а не лечения, - говорится в отчете.
С учетом существующих тенденций внедрения цифровых технологий в медицину, авторы определили пять приоритетных направлений развития технологий, которые способны повлиять на лечение мозга и поддержку его здоровой деятельности.
Big Data
В связи со стремительным развитием технологий, секвенирование генома стало намного менее затратным мероприятием. Таким образом, ученые получили возможность накапливать огромный объем ценных данных. С одной стороны это хорошо, потому что дает возможность тщательно исследовать связь генетики с аутизмом, шизофренией, болезнью Альцгеймера. С другой стороны, вскоре перед исследователями встанет вопрос о хранении этого массива данных.
Несмотря на перспективу столкнуться с проблемой хранения информации, ученые инициируют все более масштабные исследования, и собирают все больше данных в попытке обнаружить генетические сигналы расстройств работы мозга.
Сбор такого массива данных стал возможным сравнительно недавно, - пишут авторы отчета. В основном благодаря развитию технологий получения и обработки генетической информации. Немаловажную роль здесь играет и возможность глобального сотрудничества ученых. Чтобы углубить понимание связи генетики и клинических проявлений, ученым требуется уточнить описание определенных симптомов, результатов лечения, физиологических особенностей и особенностей поведения в рамках того или иного заболевания.
Также в последнее десятилетие стали популярными технологии визуализации состояния мозга в случае болезни Альцгеймера, разного рода зависимостей, сотрясений, шизофрении. Ученые стремятся выделить биомаркеры, которые помогут предсказать риск возникновения различных расстройств работы мозга.
В обоих случаях – сборе информации по геномам и визуализации состояния мозга – особая роль отводится облачным технологиям. Они позволяют хранить большие массивы данных и дают возможность ученым всего мира пользоваться этими данными совместно.
Самообучение машин
Машинное обучение (самообучение машин) – раздел информатики, который описывает создание программ, способных учиться предсказывать прецеденты в рамках сложных данных. В последние годы возможности машинного обучения существенно увеличились. Применение этих возможностей разнообразно, оно включает прогнозы погоды, обнаружение мошенничества в финансовых транзакциях, предсказание вспышек заболеваний.
В области изучения мозга возможности машинного обучения могут применяться для обнаружения сигналов, указывающих на риск возникновения заболевания. Кроме того, благодаря машинному обучению существенно проще и эффективнее обрабатывать огромный массив биологических и поведенческих данных по пациенту, а в результате находить наилучший вариант лечения.
В таких случаях, как биполярно-аффективное расстройство, депрессия или психоз, алгоритмы машинного обучения позволят следить за состоянием пациента и предсказывать вероятное ухудшение.
Прочие технологии, связанные с машинным обучением, предполагают модернизацию программ распознавания речи (для более эффективного общения с пациентами) и медицинской визуализации.
Несмотря на позитивные тенденции внедрения искусственного интеллекта в медицину, существуют опасения, что компьютеризированный подход не сможет заменить человеческую экспертизу.
Непрерывное наблюдение
По общим оценкам в развитых странах около 50% пациентов с хроническими заболеваниями не получают необходимое лечение по той причине, что не способны следовать медицинским предписаниям, - пишут авторы отчета. Они также добавляют, что только в США миллиарды долларов уходят на лечение заболевания в связи с его повторным появлением, или на необязательное усиление лечения.
В этом случае на помощь могут прийти портативные мини-датчики, от фитнес-треккеров до мониторов и даже подкожных патчей, способных измерять химическое состояние тела пациента. Автоматически собранная информация может быть передана лечащему врачу, чтобы тот не прекращал наблюдение за состоянием пациента. Это тем более эффективно работает в случае пациентов с психическими расстройствами. Обычно врачи имеют возможность наблюдать таких пациентов только во время приема, а датчики предоставят картину динамики состояний.
Ориентация на потребителя
Люди во всем мире страдают от депрессий, зависимостей и разного рода психических заболеваний, но пытаются не афишировать свою болезнь. Они боятся общественного порицания, а иногда просто не способны заплатить за лечение.
Благодаря объединению цифровых технологий и человеческой экспертизы такие пациенты могут получить доступ к эффективному лечению, - говорится в отчете. Новые технологии помогут и в самоконтроле пациента, который получит возможность самостоятельно отслеживать состояние своего здоровья.
Открытая наука
Частные и государственные организации вкладывают деньги в нейробиологические исследования и организацию общедоступных хранилищ данных с результатами этих исследований. Так наука становится более открытой. Остается ответить на вопрос о том, как защитить частные данные в современных цифровых условиях.