• Nowy algorytm uczenia maszynowego (ML) wykorzystuje sztuczną inteligencję (AI) oraz EEG Emotiv, aby obliczyć wiek mózgu człowieka.

• Zmiany w EEG w stanie spoczynku mogą sygnalizować wczesne oznaki chorób zwyrodnieniowych, takich jak choroba Alzheimera.

• Wyniki badań, opublikowane w Frontiers in Neuroergonomics, oferują proaktywne podejście do badań przesiewowych zdrowia mózgu.

Naukowcy opracowali nową metodę obliczania różnicy między wiekiem chronologicznym człowieka a wiekiem jego mózgu. Ten model uczenia maszynowego wykorzystuje zestawy słuchawkowe Emotiv Epoc X do pomiaru aktywności elektrycznej mózgu w stanie spoczynku (gdy osoba czuwa, ale nie wykonuje żadnego zadania) i porównuje ją z danymi statystycznymi zdrowych dorosłych.

Kounios i wsp. (2024) wytrenowali algorytm, korzystając z danych mózgowych z Epoc X zebranych od grupy uczestników stacjonarnych i zdalnych (online), a także z uzupełniających treningowych zestawów danych. W sumie w badaniu wykorzystano pięć połączonych zestawów danych.

Dlaczego wiek mózgu ma znaczenie?

Ludzki mózg nieustannie się zmienia, tworząc nowe połączenia i naprawiając stare przez całe nasze życie. Urazy i choroby mogą opóźnić lub przyspieszyć etap rozwoju mózgu, powodując „lukę wieku mózgu”. Luki te mogą służyć jako ostrzeżenie przed chorobami związanymi z wiekiem. Niestety, badania mózgu są często kosztowne i czasochłonne, a przeprowadza się je dopiero wtedy, gdy pojawią się objawy choroby.

Autorzy sugerują, że badanie osób we wczesnym wieku średnim lub młodszych zwiększa szansę na wykrycie i leczenie związanych z wiekiem zaburzeń neurologicznych w ich najwcześniejszych stadiach.

„Nasze podejście do szacowania wieku mózgu na podstawie EEG ma kilka obiecujących zastosowań” – zauważają autorzy. „Może być stosowane jako stosunkowo niedrogie narzędzie przesiewowe do identyfikacji osób, u których luka wieku mózgu sugeruje możliwość wystąpienia utajonej patologii związanej z wiekiem, co można następnie zweryfikować za pomocą szczegółowych testów diagnostycznych. Ponadto, ze względu na stosunkowo niski koszt zestawu słuchawkowego Emotiv Epoc X, szacowanie wieku mózgu na podstawie EEG można przeprowadzać wielokrotnie w celu weryfikacji wyników i wykrywania zmian w czasie”.

Ten zestaw danych dotyczący wieku mózgu może być również przydatny do testowania potencjalnych interwencji mających na celu spowolnienie lub odwrócenie starzenia neurologicznego. Na przykład badanie z 2020 roku sfinansowane przez Narodowy Instytut ds. Starzenia się (NIA) wykazało, że pewne czynniki zdrowego stylu życia mogą obniżyć ryzyko zachorowania na Alzheimera o 60% (Dhana i wsp., 2020).

Bezprzewodowe EEG na ratunek

Kounios i jego współpracownicy pochwalili Epoc X za przystępną cenę i dostępność. Stwierdzili, że pozwala on ludziom oszacować wiek swojego mózgu w domu lub w pracy. Może to prowadzić do dalszych badań nad związanym z wiekiem pogorszeniem funkcji poznawczych oraz interwencjami w styl życia na rzecz zdrowia poznawczego.

Nauka obliczania wieku mózgu niesie ze sobą również inne możliwości. Na przykład istnieje grupa osób w wieku 80 i 90 lat nazywana „cognitive super-agers” (osobami o wybitnych zdolnościach poznawczych w starszym wieku), które wymykają się statystykom. Osoby te wykazują sprawność pamięciową podobną do dorosłych młodszych o 20–30 lat. Obecne badania mają na celu wyciągnięcie wniosków od tej wyjątkowej grupy osób i wykorzystanie tych informacji do promowania zdrowego starzenia się mózgu.

Neuroolodzy i inni badacze mają nadzieję lepiej zrozumieć rolę, jaką dieta, środowisko, styl życia i genetyka odgrywają w procesie starzenia się naszych mózgów.

Autorzy podkreślają znaczenie oceny stabilności ich modelu przesiewowego wieku mózgu w dłuższym okresie czasu. Przyszłe badania są również potrzebne w celu potwierdzenia tych wyników na większej i bardziej zróżnicowanej próbce danych EEG mózgu.

Bibliografia:

Dhana, K., Evans, D. A., Rajan, K. B., Bennett, D. A., & Morris, M. C. (2020). Healthy lifestyle and the risk of Alzheimer dementia. Neurology, 95(4). https://doi.org/10.1212/wnl.0000000000009816

Kounios, J., Fleck, J. I., Zhang, F., & Oh, Y. (2024). Brain-age estimation with a low-cost EEG-headset: effectiveness and implications for large-scale screening and brain optimization. Frontiers in Neuroergonomics, 5. https://doi.org/10.3389/fnrgo.2024.1340732