“`html

मस्तिष्क स्कैन से डिमेंशिया की प्रगति का पूर्वानुमान लगाया जा सकता है

हल्के संज्ञानात्मक विकारों वाले लगभग 40% लोग निदान के तीन साल के भीतर डिमेंशिया विकसित कर लेते हैं। यह तेज़ प्रगति उच्च जोखिम वाले रोगियों की पहचान के लिए विश्वसनीय उपकरणों के महत्व को रेखांकित करती है। एक हालिया अध्ययन से पता चला है कि स्कैन से प्राप्त मस्तिष्क के आयतन संबंधी विश्लेषण के माध्यम से इस प्रगति का पूर्वानुमान लगाया जा सकता है, जो एक व्यापक रूप से सुलभ और किफायती इमेजिंग तकनीक है।

शोधकर्ताओं ने 791 ऐसे रोगियों के आंकड़ों का विश्लेषण किया जो हल्के संज्ञानात्मक विकारों से पीड़ित थे। इनमें से 40% ने तीन साल के भीतर डिमेंशिया विकसित कर ली। परिणामों से पता चला कि जिन लोगों ने डिमेंशिया विकसित की, वे औसतन अधिक उम्र के थे, अधिकतर महिलाएं थीं और अल्जाइमर रोग के जोखिम को बढ़ाने के लिए जानी जाने वाली एक आनुवंशिक विविधता की वाहक थीं। उनके प्रारंभिक संज्ञानात्मक स्तर, जो नैदानिक परीक्षणों द्वारा मूल्यांकित किया गया था, भी अधिक खराब था।

स्कैन के विश्लेषण से मस्तिष्क के कुछ क्षेत्रों में उल्लेखनीय अंतर सामने आए। जिन रोगियों ने डिमेंशिया विकसित की, उनमें निम्न पाश्र्व वेंट्रिकल्स का विस्तार और पेराइटल तथा ऑक्सीपिटल क्षेत्रों में मस्तिष्कमेरु द्रव से भरे स्थान अधिक थे। ये परिवर्तन मस्तिष्क के क्षय को दर्शाते हैं, अर्थात मस्तिष्क के आयतन में कमी, जो अक्सर अल्जाइमर रोग की प्रगति से जुड़ी होती है।

इस प्रगति का पूर्वानुमान लगाने के लिए, वैज्ञानिकों ने कृत्रिम बुद्धिमत्ता पर आधारित एक मॉडल विकसित किया है। यह मॉडल नैदानिक आंकड़ों, जैसे उम्र या संज्ञानात्मक परीक्षणों के परिणामों को स्कैन से प्राप्त आयतन संबंधी मापों के साथ जोड़ता है। इस मॉडल ने उल्लेखनीय सटीकता हासिल की, जो लगभग 84% मामलों में जोखिम वाले रोगियों की सही पहचान कर सकता है। छह कारक विशेष रूप से निर्णायक साबित हुए: उम्र, आनुवंशिक विविधता, प्रारंभिक संज्ञानात्मक हानि का स्तर और मस्तिष्क के क्षय के तीन विशिष्ट माप जो उल्लिखित क्षेत्रों में थे।

स्कैन का उपयोग एक प्रमुख लाभ प्रदान करता है: यह तकनीक नैदानिक अभ्यास में पहले से ही आम तौर पर उपयोग की जाती है, जैसे ट्यूमर या रक्त वाहिका संबंधी घटनाओं जैसे संज्ञानात्मक विकारों के अन्य कारणों को खारिज करने के लिए। इसलिए, इस आयतन संबंधी विश्लेषण को शामिल करना अतिरिक्त परीक्षणों की आवश्यकता नहीं होगी, जो इस दृष्टिकोण को व्यावहारिक और आर्थिक दोनों बनाता है। अन्य विधियों जैसे MRI या मस्तिष्कमेरु द्रव में बायोमार्करों के विपरीत, स्कैन अधिकांश अस्पताल केंद्रों में सुलभ है और इसके लिए आक्रामक प्रक्रियाओं की आवश्यकता नहीं होती।

नतीजे दिखाते हैं कि यह दृष्टिकोण न केवल डिमेंशिया की प्रगति का सटीक पूर्वानुमान लगाने में मदद करता है, बल्कि सबसे प्रभावशाली कारकों की पहचान भी करता है। उदाहरण के लिए, निम्न पाश्र्व वेंट्रिकल्स में क्षय, जो हिप्पोकैम्पस के पास का क्षेत्र है, बढ़े जोखिम का एक मजबूत संकेतक है। हिप्पोकैम्पस स्मृति में एक प्रमुख भूमिका निभाता है, और इसका सिकुड़ना अक्सर अल्जाइमर रोग के प्रारंभिक चरणों में देखा जाता है। इसी तरह, पेराइटल और ऑक्सीपिटल क्षेत्रों में परिवर्तन, जो जटिल संज्ञानात्मक कार्यों में शामिल न्यूरोनल नेटवर्क से जुड़े हैं, रोग की प्रगति में उनके महत्व की पुष्टि करते हैं।

यह मॉडल रोगियों के इलाज पर महत्वपूर्ण प्रभाव डाल सकता है। जो लोग अल्पावधि में डिमेंशिया विकसित करने के उच्च जोखिम वाले हैं, उनकी पहचान करके, डॉक्टर निगरानी को अनुकूलित कर सकते हैं, शुरुआती हस्तक्षेप प्रदान कर सकते हैं और रोगियों तथा उनके परिजनों को बेहतर ढंग से जानकारी दे सकते हैं। इसके विपरीत, कम जोखिम वाले लोगों को अनावश्यक परीक्षणों या बहुत बार की जाने वाली जांच से बचाया जा सकता है। जोखिम की इस स्तरीकरण से नैदानिक परीक्षणों की प्रभावशालीता भी बढ़ सकती है, क्योंकि त्वरित प्रगति वाले प्रतिभागियों को लक्षित किया जा सकता है, जो नए उपचारों के विकास को आसान बनाएगा।

अध्ययन की पुष्टि करता है कि स्कैन, जिसे अक्सर एक बुनियादी निदान उपकरण माना जाता है, पूर्वानुमान के लिए एक प्रमुख तत्व बन सकता है। पहले से उपलब्ध आंकड़ों का उपयोग करके, यह विधि रोगियों या स्वास्थ्य प्रणालियों पर अतिरिक्त बोझ डाले बिना, व्यक्तिगत चिकित्सा के लिए एक सुलभ समाधान प्रदान करती है।

“`

मीडिया स्रोत

संदर्भ दस्तावेज़

DOI: https://doi.org/10.1038/s41598-026-45439-8

शीर्षक: Scalable CT-based prognostic modeling of dementia conversion in mild cognitive impairment

जर्नल: Scientific Reports

प्रकाशक: Springer Science and Business Media LLC

लेखक: Seongbeom Park; Jehyun Ahn; Duk L. Na; Hee Jin Kim; Hyemin Jang; Jun Pyo Kim; Sung Hoon Kang; Jihwan Yun; Min Young Chun; Sang Won Seo; Kichang Kwak