خانم دکتر فاطمه رمضانی مجری طرح تحقیقاتی با عنوان "تشخیص بیماری آمیوتروفیک لترال اسکلروزیس (ALS) از بیماری حرکتی نرونی مشابه با استفاده از آنالیز اطلاعات الکترومیوگرام با روش یادگیری ماشین" در گفتگویی به تشریح این طرح پرداخت.

-

1- با تشکر از حضور در این مصاحبه، لطفا خودتان را معرفی کرده و سوابق علمی، پژوهشی، اجرایی و عملی خود و فعالیت های مرتبط با این پژوهش را بیان کنید:

اینجانب دکتر فاطمه رمضانی فارغ التحصیل رشته نانومدیسین از دانشگاه علوم پزشکی شهید بهشتی هستم. تقریبا به مدت 9 سال است که عضو هیات علمی دانشگاه علوم پزشکی ایران هستم و در مرکز تحقیقات فیزیولوژی خدمت می کنم. بخشی از تحقیقات من، روی بیماری های نورودجنراتیو و حرکتی مانند ضایعه نخاعی و آمیولترال اسکلروزیس است.

2- دلیل اصلی شما برای انتخاب این طرح تحقیقاتی چه بود و چه کسانی در این پژوهش یاری دهنده شما بودند؟

اسکلروز جانبی آمیوتروفیک یا ALS، یک بیماری پیشرونده سیستم عصبی است که سلول های عصبی مغز و نخاع را تحت تأثیر قرار می دهد و باعث از دست دادن کنترل عضلات می شود. ALS غالبا با کشیدن عضله و ضعف اندام، یا گفتار گنگ آغاز می شود. در نهایت، ALS بر کنترل عضلات مورد نیاز برای حرکت، گفتار، غذا خوردن و تنفس تأثیر می گذارد و منجربه مرگ می شود. هیچ درمانی برای نوع پیشرفته این بیماری وجود ندارد. اما اگر در مراحل اولیه بیماری شناسایی شود می توان به درمان بیمار کمک کرد. برای تشخیص بیماری از تست عصب-عضله استفاده می شود و با تست های دوره ای که از بیمار گرفته می شود در صورتی که علایم شدیدتر شود نشان دهنده ابتلا به ALS است. علایم ظاهری بیماری در مراحل اولیه شباهت زیادی به بیماری رادیکولوپاتی دارد. لذا یافتن روشی برای تفکیک اولیه بیماری ALS از رادیکولوپاتی و بیماری های مشابه میتواند به شناسایی به موقع و درمان موفق بیماری کمک نماید. 

3- پژوهش تان را معرفی کرده و با معرفی ویژگی ها و نوآوری های آن در خصوص موضوعات و محورهای آن شرح دهید:

یادگیری ماشین (Machine learning)، استفاده از الگوریتم‌ها و مدل‌های آماری در سیستم‌های کامپیوتری برای یافتن ارتباط بین داده ها است. بی‌شک یادگیری ماشین یکی از فناوری‌هایی است که به زودی در ابعاد مختلف زندگی ما اثر جدی‌تری خواهد داشت. یکی از حوزه‌های حیاتی که قطعا در سال‌های پیش‌رو تاثیر جدی خواهد پذیرفت حوزه پزشکی است.  فناوری‌های یادگیری ماشینی می‌توانند به شناسایی الگوهای پنهان یا پیچیده در داده‌های تشخیصی برای تشخیص زودهنگام بیماری‌ها و بهبود درمان کمک کنند.

در این پروژه از یادگیری ماشینی برای کشف بیومارکرهای بالینی جدید برای تشخیص ALS ناشی از رادیکولوپاتی با استفاده از داده‌های مطالعه هدایت عصبی (NCS) از بیماران استفاده شد. آنالیز بر روی دیتای به دست آمده از 378 بیمار مبتلا به رادیکولوپاتی، 130 فرد نرمال و 149 بیمار مبتلا به ALS   مراجعه کننده به بیمارستان فیروزگر انجام شد. نتایج نشان داد با استفاده از الگوریتم XGB، بیماران ALS را می توان با دقت تقریبا 92% شناسایی کرد.

4- آیا این پژوهش به مرحله اجرا و بهره برداری رسیده است؟

نتیجه این پروژه بصورت یک کد پایتون می باشد. لذا لازم است این کد بهینه سازی گردد و به نرم افزار ویندوزی قابل استفاده در بالین تبدیل شود که طی یک پروژه فناورانه در دانشگاه علوم پزشکی ایران در حال انجام می باشد.

5- این طرح پژوهشی چه گره ای از مشکلات مردم باز خواهد کرد؟

همان طور که اشاره شد، حاصل این پروژه یک نرم افزار تشخیصی برای بیماری ALS  از بیماری های مشابه می باشد که می تواند به تشخیص و درمان به موقع بیماران کمک نماید. 

6- انتظار شما از مسئولین و متولیان امور پژوهشی در زمینه حمایت و یا توسعه فعالیت های مشابه چیست و چه راهکارهایی پیشنهاد می کنید؟

در این نوع مطالعه ها که بر اساس دیتای موجود از بیماران می باشد هر چه تعداد دیتای اولیه ورودی بیشتری در دسترس محقق قرار گیرد می تواند منجر به طراحی کدی با دقت و حساسیت بالاتر شود. این دیتاها معمولا به صورت آرشیو شده در بایگانی بیمارستان ها و یا روی سرورهای بیمارستانی موجود می باشد. لذا دسترسی محقق به این دیتا نیاز به هماهنگی و همکاری مسئولین بیمارستان دارد که در حال حاضر به دلیل رعایت محرمانگی دیتای بیماران بسیار به سختی انجام می گردد. اما لازمه انجام تعداد بیشتری از این نوع تحقیقات که در حال حاضر در دنیا بسیار مورد توجه می باشد ایجاد ساز و کاری است که موانع موجود برای محقق برداشته شود.

7- اگر توضیح دیگری درخصوص برنامه های جاری، آینده و اهداف تان دارید در خاتمه این گفتگو بفرمایید: 

هدف نهایی این پروژه تبدیل آن به یک نرم افزار قابل استفاده در بالین می باشد. از معاونت پژوهشی دانشگاه علوم پزشکی ایران تشکر می کنم که از اینجانب و تیم پژوهشی، حمایت های لازم را برای انجام این پروژه داشته است و همچنین برای ادامه آن به منظور تبدیل آن به یک نرم افزار قابل استفاده در بالین نیز حمایت های همه جانبه خود را اعلام نموده است.