未来思维：Trewartha 正在探索大数据计算与 认知健康
在学术界，研究人员经常发现自己被追求所吸引 迷人且创新的问题空间。 博士。凯文·特雷瓦萨 是的副教授心理学和人为因素，健康研究所执行委员会成员，并且是 ICC 以人为本的计算中心。他准备踏上一段融合的旅程 他在认知神经科学和大数据计算方面的专业知识。有着激动人心的计划 在 2024 年春季休假期间，Trewartha 的目标是深入研究 与加拿大研究人员合作进行健康计算。这篇博客文章 提供了凯文的开创性想法的高层次观点，特别关注他的 追求使用计算方法来识别临床前行为指示 痴呆症的发病率，以及对阿尔茨海默病研究的潜在影响。
寻找阿尔茨海默病的早期指标
阿尔茨海默病 (AD) 是一种复杂的神经系统疾病，其特征是显着的 认知功能下降。现有的诊断工具主要检测l当个体已经出现临床相关症状时出现晚期症状 认知障碍的程度。多年来，阿尔茨海默病研究领域 临床实践一直在努力解决一个重要但具有挑战性的问题： 我们如何识别处于 AD 临床前阶段的个体？问题源于 认知测试通常用于诊断和跟踪进展的事实 AD 患者对正常年龄相关认知能力之间的差异不够敏感 AD 早期阶段导致的衰退和认知障碍。
“个人、家庭成员、护理人员和临床医生都关心 了解主观认知问题是否与自然衰老或自然衰老有关 痴呆症的早期迹象。我们希望找到区分两者的方法 更高的准确性。”
“个人、家庭成员、护理人员和临床医生都关心 了解主观认知问题是否与自然衰老或自然衰老有关 痴呆症的早期迹象。我们希望找到区分两者的方法 更高的准确性。”
当前的方法主要是根据一系列测试计算综合分数 针对各种认知领域，包括记忆、认知控制和注意力。 这种方法的一个潜在限制是它依赖于那些认知测试 个体对正常衰老和早期衰老之间的差异不敏感 AD 和综合分数可能掩盖必要的认知功能的细微变化 以确定临床前阶段。替代方法包括寻找生物标志物 或使用血液测试和神经影像学的早期疾病阶段，以及识别 使用工具活动的认知功能障碍测量来评估功能衰退 日常生活和日常认知。显然，没有任何一项措施是敏感的 对于临床前 AD，有必要找到识别行为和生理的方法 更好地预测 AD 进展的模式。
凯文的愿景围绕使用计算来识别早期预警信号 能够辨别正常衰老之间细微差异的算法 认知测试表现、运动行为和神经生理学方面的临床前 AD 功能。他目前的研究重点是使用不同复杂程度的运动任务 从到达动作，到运动技能学习，再到复杂的运动决策 识别由于认知障碍而引起的运动功能细微变化的任务 在公元。将这些行为测量与神经生理学记录相结合 脑电图和肌电图的形式，以及更传统的认知测试的表现 海量数据。该领域通常会将这些数据简化为几个关键指标 而不是充分利用可以区分的潜在模式的潜力 AD 的正常衰老。凯文希望通过利用计算能力更好地分析 包含认知分数、运动跟踪和高级数据的海量数据集 神经信息，包括多达 64 通道的脑电图数据，以及 10 通道 肌电图数据。
健康与数据科学的融合
认知科学和计算之间的重叠是一个令人兴奋的游乐场 创新。虽然一些认知科学家拥有大数据计算技能， 许多人没有。凯文认为这是一个利用集体的有希望的机会 认知和健康科学家和数据科学家推动研究的优势 痴呆症和相关认知障碍方面取得进展。
“我们获取的具体数据集可以通过其他措施得到补充 例如其他生理指标、生物标志物和自我报告的日常活动 这可以揭示区分正常衰老和痴呆的更大图景模式。”
“我们获取的具体数据集可以通过其他措施来补充 例如其他生理指标、生物标志物和自我报告的日常活动 这可以揭示区分正常衰老和痴呆的更大图景模式。”
他有兴趣与大数据计算领域的领导者建立合作，因此 他们可以一起应用计算技术来分析庞大而复杂的数据集 并揭示隐藏的模式和见解，这些模式和见解可能是检测临床前的关键 痴呆症的迹象。这种创新方法可能为早期研究打开新的大门 干预和制定策略来减缓疾病的进展。
赞助商资金趋势
资助机构一直在开发更多项目，帮助研究人员取得进展 在这个区域。资助机构如美国国立卫生研究院 (NIH) 和 阿尔茨海默病协会正在积极鼓励针对更复杂的研究 行为任务和对神经生理学数据集进行更彻底的分析来识别 有意义的模式。随着与电池相关的海量数据集的可用性 认知任务、运动任务期间的运动模式、神经生理记录、 神经影像和生物标志物，我们对该领域的理解有望大幅增长 AD 临床前阶段的整体模式行为神经病理学。
结论
通过将 Kevin 的专业知识与合作者的计算技能相结合，他寻求 更好地了解临床前痴呆指标并为变革奠定基础 研究。这种追求有可能彻底改变我们治疗阿尔茨海默病的方式 疾病和其他认知障碍，最终改善患者的治疗结果 以及对人类心灵的更深入的了解。