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

• Zmiany w EEG spoczynkowym danej osoby mogą sygnalizować wczesne oznaki chorób neurodegeneracyjnych, 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 a wiekiem mózgu danej osoby. Ten model uczenia maszynowego wykorzystuje Emotiv Epoc X do pomiaru aktywności elektrycznej podczas stanu spoczynku mózgu (czuwania bez wykonywania zadania) i porównuje ją z danymi statystycznymi dotyczącymi zdrowych dorosłych.

Kounios i in. (2024) wytrenowali algorytm na danych mózgowych zebranych za pomocą Epoc X od uczestników stacjonarnych i zdalnych online, a także na dodatkowych zestawach danych treningowych. Łącznie badanie wykorzystało pięć połączonych zbiorów 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 opóźniać lub przyspieszać etap rozwoju mózgu, powodując „lukę wieku mózgu”. Takie różnice mogą służyć jako sygnały ostrzegawcze chorób związanych z wiekiem. Niestety badania obrazowe mózgu są często kosztowne i czasochłonne, a wykonuje się je dopiero wtedy, gdy pojawią się objawy choroby.

Autorzy sugerują, że skanowanie osób w młodym wieku średnim lub młodszych zwiększa możliwość wykrywania i leczenia zaburzeń neurologicznych związanych z wiekiem na ich najwcześniejszych etapach.

„Nasze podejście do szacowania wieku mózgu na podstawie EEG ma kilka obiecujących zastosowań” — zauważają autorzy. „Może być używane jako stosunkowo niedrogie narzędzie przesiewowe do identyfikacji osób, u których luka wieku mózgu sugeruje możliwość ukrytej patologii związanej z wiekiem, którą można następnie sprawdzić za pomocą konkretnych testów diagnostycznych. Ponadto, ze względu na stosunkowo niski koszt zestawu słuchawkowego Emotiv Epoc X, szacowanie wieku mózgu na podstawie EEG można wykonywać wielokrotnie, aby potwierdzać wyniki i wykrywać zmiany w czasie.”

Ten zbiór danych dotyczących wieku mózgu może być również przydatny do testowania potencjalnych interwencji spowalniających lub odwracających starzenie neurologiczne. Na przykład badanie z 2020 roku finansowane przez National Institute on Aging wykazało, że niektóre zdrowe czynniki stylu życia mogą obniżyć ryzyko choroby Alzheimera o 60% (Dhana et al., 2020).

Bezprzewodowe EEG na ratunek

Kounios i współpracownicy chwalili Epoc X za to, że jest niedrogi i dostępny. Jak powiedzieli, pozwala on ludziom szacować wiek mózgu w domu lub w pracy. Może to doprowadzić do większej liczby badań nad związanym z wiekiem spadkiem funkcji poznawczych oraz interwencjami dotyczącymi stylu życia wspierającymi zdrowie poznawcze.

Nauka obliczania wieku mózgu daje też inne możliwości. Na przykład istnieje grupa osób po osiemdziesiątce i dziewięćdziesiątce, nazywana „superstarze poznawcze”, która przeczy statystykom. Superstarze poznawcze osiągają wyniki pamięciowe podobne do osób młodszych o 20–30 lat. Obecne badania mają na celu czerpanie wiedzy z tej wyjątkowej grupy osób i wykorzystanie tych informacji do promowania zdrowego starzenia się mózgu.

Neurobiolodzy i inni badacze mają nadzieję lepiej zrozumieć rolę, jaką w starzeniu się naszego mózgu odgrywają dieta, środowisko, styl życia i genetyka.

Autorzy podkreślają znaczenie oceny stabilności ich modelu przesiewowego wieku mózgu przez dłuższy okres. Potrzebne są również dalsze badania, aby zweryfikować te wyniki na większej i bardziej zróżnicowanej próbce danych EEG mózgu.

Piśmiennictwo:

Dhana, K., Evans, D. A., Rajan, K. B., Bennett, D. A., & Morris, M. C. (2020). Zdrowy styl życia a ryzyko otępienia w chorobie Alzheimera. Neurology, 95(4). https://doi.org/10.1212/wnl.0000000000009816

Kounios, J., Fleck, J. I., Zhang, F., & Oh, Y. (2024). Szacowanie wieku mózgu za pomocą taniego zestawu słuchawkowego EEG: skuteczność i implikacje dla szeroko zakrojonych badań przesiewowych oraz optymalizacji funkcjonowania mózgu. Frontiers in Neuroergonomics, 5. https://doi.org/10.3389/fnrgo.2024.1340732