آخرین مطالب

این مدل می‌تواند از ارزیابی درمان‌های دارویی مزمن طولانی‌مدت حمایت کند و به پزشکان کمک کند تا درمان‌های مؤثرتری برای بیماری‌های پیچیده ایجاد کنند –


تیمی از محققان دانشگاه بوفالو با استفاده از هوش مصنوعی، سیستم جدیدی را توسعه داده‌اند که پیشرفت بیماری‌های مزمن را با افزایش سن بیماران مدل‌سازی می‌کند.

منتشر شده در اکتبر در مجله فارماکوکینتیک و فارماکودینامیکاین مدل نشانگرهای زیستی متابولیک و قلبی عروقی – فرآیندهای بیولوژیکی قابل اندازه‌گیری مانند سطح کلسترول، شاخص توده بدن، گلوکز و فشار خون – را برای محاسبه وضعیت سلامتی و خطرات بیماری در طول عمر بیمار ارزیابی می‌کند.

این یافته ها به دلیل افزایش خطر ابتلا به بیماری های متابولیک و قلبی عروقی با افزایش سن حیاتی هستند، فرآیندی که اثرات نامطلوبی بر فرآیندهای سلولی، روانی و رفتاری دارد.

مورالی راماناتان، نویسنده اصلی، دکترا، استاد علوم دارویی در دانشکده داروسازی UB و می‌گوید: «نیاز برآورده‌نشده‌ای برای رویکردهای مقیاس‌پذیر وجود دارد که بتواند راهنمایی‌هایی را برای مراقبت دارویی در طول عمر در حضور پیری و بیماری‌های مزمن ارائه دهد. علوم دارویی. “این شکاف دانش ممکن است به طور بالقوه با مدل سازی پیشرفت بیماری نوآورانه پل شود.”

راماناتان می‌گوید: این مدل می‌تواند ارزیابی درمان‌های دارویی مزمن طولانی‌مدت را تسهیل کند و به پزشکان کمک کند تا پاسخ‌های درمانی را برای شرایطی مانند دیابت، کلسترول بالا و فشار خون بالا که با افزایش سن بیشتر می‌شوند، بررسی کنند.

محققین دیگر عبارتند از نویسنده اول و فارغ التحصیل دانشکده داروسازی و علوم دارویی UB، Mason McComb، PhD. Rachael Hageman Blair، PhD، دانشیار آمار زیستی در دانشکده بهداشت عمومی و حرفه های بهداشت UB. و مارتین لیسی، دکترا، دانشیار آمار و علوم اکچوئری در دانشگاه واترلو.

این تحقیق داده‌های سه مطالعه موردی را در سومین بررسی ملی سلامت و تغذیه (NHANES) بررسی کرد که نشانگرهای زیستی متابولیک و قلبی عروقی نزدیک به 40000 نفر در ایالات متحده را ارزیابی کرد.

نشانگرهای زیستی که شامل اندازه‌گیری‌هایی مانند دما، وزن و قد نیز می‌شوند، برای تشخیص، درمان و نظارت بر سلامت کلی و بسیاری از بیماری‌ها استفاده می‌شوند.

محققان هفت نشانگر زیستی متابولیک را بررسی کردند: شاخص توده بدن، نسبت دور کمر به باسن، کلسترول کل، کلسترول لیپوپروتئین با چگالی بالا، تری گلیسیرید، گلوکز و گلیکوهموگلوبین. بیومارکرهای قلبی عروقی مورد بررسی شامل فشار خون سیستولیک و دیاستولیک، ضربان نبض و هموسیستئین است.

با تجزیه و تحلیل تغییرات در بیومارکرهای متابولیک و قلبی عروقی، این مدل “می آموزد” که چگونه پیری بر این اندازه گیری ها تأثیر می گذارد. با یادگیری ماشینی، سیستم از حافظه سطوح نشانگر زیستی قبلی برای پیش‌بینی اندازه‌گیری‌های آینده استفاده می‌کند، که در نهایت نشان می‌دهد که چگونه بیماری‌های متابولیک و قلبی عروقی در طول زمان پیشرفت می‌کنند.

منبع داستان:

مواد ارائه شده توسط دانشگاه در بوفالو. نوشته اصلی توسط Marcene Robinson. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.