“`html

ಮಿದುಳಿನ ಸ್ಕ್ಯಾನರ್ ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯ ಕಡೆಗೆ ಪ್ರಗತಿಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ

ಹಗುರ ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆ ಇರುವ ವ್ಯಕ್ತಿಗಳಲ್ಲಿ ಸುಮಾರು 40% ಮಂದಿ ರೋಗ ನಿದಾನದ ಮೂರು ವರ್ಷಗಳ ಒಳಗೆ ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಾರೆ. ಈ ವೇಗದ ಪ್ರಗತಿ, ಅತೀ ಅಪಾಯಕಾರಿ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸಲು ವಿಶ್ವಾಸಾರ್ಹ ಸಾಧನಗಳ ಅಗತ್ಯವನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ. ಇತ್ತೀಚಿನ ಅಧ್ಯಯನವು ಸ್ಕ್ಯಾನರ್‌ಗಳಿಂದ ಪಡೆದ ಮಿದುಳಿನ ಪಾರಮಾಣಿಕ ವಿಶ್ಲೇಷಣೆಯ ಮೂಲಕ ಈ ಪ್ರಗತಿಯನ್ನು ಊಹಿಸಬಹುದು ಎಂದು ತೋರಿಸಿದೆ, ಇದು ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಿರುವ ಮತ್ತು ಕಡಿಮೆ ವೆಚ್ಚದ ಇಮೇಜಿಂಗ್ ತಂತ್ರಜ್ಞಾನವಾಗಿದೆ.

ಸಂಶೋಧಕರು 791 ಹಗುರ ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆ ಇರುವ ರೋಗಿಗಳ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿದ್ದಾರೆ. ಅವರ ಪೈಕಿ 40% ಮಂದಿ ಮೂರು ವರ್ಷಗಳ ಒಳಗೆ ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಫಲಿತಾಂಶಗಳು ತೋರಿಸುವಂತೆ, ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ವ್ಯಕ್ತಿಗಳು ಸರಾಸರಿ ವಯಸ್ಸಾದವರು, ಹೆಚ್ಚು ಮಹಿಳೆಯರು ಮತ್ತು ಅಲ್ಝೈಮರ್ ಕಾಯಿಲೆಯ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುವ ತಿಳಿದ ಜೀನ್ ವೇರಿಯಂಟ್ ಹೊಂದಿರುವವರು. ಕ್ಲಿನಿಕಲ್ ಪರೀಕ್ಷೆಗಳ ಮೂಲಕ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಅವರ ಆರಂಭಿಕ ಮಾನಸಿಕ ಸ್ಥಿತಿಯೂ ಹೆಚ್ಚು ಹದಗೆಟ್ಟಿತ್ತು.

ಸ್ಕ್ಯಾನರ್‌ಗಳ ವಿಶ್ಲೇಷಣೆಯು ಮಿದುಳಿನ ಕೆಲವು ಪ್ರದೇಶಗಳಲ್ಲಿ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಹೈಲೈಟ್ ಮಾಡಿದೆ. ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯ ಕಡೆಗೆ ಪ್ರಗತಿ ಸಾಧಿಸಿದ ರೋಗಿಗಳಲ್ಲಿ, ಕೆಳಗಿನ ಪಾರ್ಶ್ವ ವೆಂಟ್ರಿಕಲ್ಸ್ ಮತ್ತು ಪ್ಯಾರಿಯಟಲ್ ಹಾಗೂ ಆಕ್ಕಸಿಪಿಟಲ್ ಪ್ರದೇಶಗಳಲ್ಲಿ ಮಿದುಳಿನ ದ್ರವದಿಂದ ತುಂಬಿದ ಜಾಗಗಳು ಹೆಚ್ಚು ವಿಸ್ತಾರವಾಗಿದ್ದವು. ಈ ಬದಲಾವಣೆಗಳು ಮಿದುಳಿನ ಕ್ಷೀಣತೆಯನ್ನು (ಮಿದುಳಿನ ಗಾತ್ರದ ಕ್ಷೀಣತೆ) ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ, ಇದು ಅಲ್ಝೈಮರ್ ಕಾಯಿಲೆಯ ಪ್ರಗತಿಯೊಂದಿಗೆ ಸಾಮಾನ್ಯವಾಗಿ ಸಂಬಂಧಿಸಿದೆ.

ಈ ಪ್ರಗತಿಯನ್ನು ಊಹಿಸಲು, ವಿಜ್ಞಾನಿಗಳು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಆಧಾರದ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ್ದಾರೆ. ಈ ಮಾದರಿಯು ವಯಸ್ಸು ಅಥವಾ ಮಾನಸಿಕ ಪರೀಕ್ಷೆಗಳ ಫಲಿತಾಂಶಗಳಂತಹ ಕ್ಲಿನಿಕಲ್ ಡೇಟಾವನ್ನು ಸ್ಕ್ಯಾನರ್‌ಗಳಿಂದ ಪಡೆದ ಪಾರಮಾಣಿಕ ಅಳತೆಗಳೊಂದಿಗೆ ಸಂಯೋಜಿಸುತ್ತದೆ. ಈ ಮಾದರಿಯು ಅಪಾರ ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಿದೆ, ಸುಮಾರು 84% ಕ್ಕೂ ಹೆಚ್ಚು ಕ್ಷೀಣತೆಯ ಅಪಾಯ ಇರುವ ರೋಗಿಗಳನ್ನು ಸರಿಯಾಗಿ ಗುರುತಿಸಿದೆ. ಆರು ಅಂಶಗಳು ವಿಶೇಷವಾಗಿ ನಿರ್ಣಾಯಕವಾಗಿವೆ: ವಯಸ್ಸು, ಜೀನ್ ವೇರಿಯಂಟ್, ಆರಂಭಿಕ ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯ ಮಟ್ಟ ಮತ್ತು ಮಿದುಳಿನ ಕ್ಷೀಣತೆಯ ಮೂರು ನಿರ್ದಿಷ್ಟ ಅಳತೆಗಳು.

ಸ್ಕ್ಯಾನರ್‌ಗಳ ಬಳಕೆ ಒಂದು ಪ್ರಮುಖ ಪ್ರಯೋಜನವನ್ನು ಹೊಂದಿದೆ: ಈ ತಂತ್ರಜ್ಞಾನವು ಕ್ಲಿನಿಕಲ್ ಅಭ್ಯಾಸದಲ್ಲಿ ಈಗಾಗಲೇ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸಲ್ಪಡುತ್ತದೆ, ಮಾನಸಿಕ ಅಸ್ವಸ್ಥತೆಯ ಇತರ ಕಾರಣಗಳನ್ನು (ಟ್ಯೂಮರ್‌ಗಳು ಅಥವಾ ವಾಸ್ಕುಲರ್ ಘಟನೆಗಳು) ಹೊರಗಿಡಲು. ಆದ್ದರಿಂದ, ಈ ಪಾರಮಾಣಿಕ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸೇರಿಸುವುದು ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷೆಗಳನ್ನು ಬೇಕಾಗಿಸುವುದಿಲ್ಲ, ಇದು ಈ ವಿಧಾನವನ್ನು ಪ್ರಾಯೋಗಿಕ ಮತ್ತು ಆರ್ಥಿಕವಾಗಿ ಮಾಡುತ್ತದೆ. MRI ಅಥವಾ ಮಿದುಳಿನ ದ್ರವದಲ್ಲಿ ಬಯೋಮಾರ್ಕರ್‌ಗಳಂತಹ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, ಸ್ಕ್ಯಾನರ್‌ಗಳು ಹೆಚ್ಚಿನ ಆಸ್ಪತ್ರೆಗಳಲ್ಲಿ ಲಭ್ಯವಿರುತ್ತವೆ ಮತ್ತು ಆಕ್ರಮಣಶೀಲ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬೇಕಾಗಿಸುವುದಿಲ್ಲ.

ಫಲಿತಾಂಶಗಳು ತೋರಿಸುವಂತೆ, ಈ ವಿಧಾನವು ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯ ಕಡೆಗೆ ಪ್ರಗತಿಯನ್ನು ನಿಖರವಾಗಿ ಊಹಿಸುವುದರ ಜೊತೆಗೆ, ಅತೀ ಪ್ರಭಾವಿ ಅಂಶಗಳನ್ನು ಗುರುತಿಸುವುದರಲ್ಲೂ ಸಹಾಯ ಮಾಡುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಹಿಪ್ಪೋಕ್ಯಾಂಪಸ್‌ಗೆ ಹತ್ತಿರವಿರುವ ಕೆಳಗಿನ ಪಾರ್ಶ್ವ ವೆಂಟ್ರಿಕಲ್ಸ್‌ನಲ್ಲಿ ಕ್ಷೀಣತೆ, ಹೆಚ್ಚಿದ ಅಪಾಯದ ದೃಢ ಸೂಚಕವಾಗಿದೆ. ಹಿಪ್ಪೋಕ್ಯಾಂಪಸ್ ಮೆಮೊರಿ ನಲ್ಲಿ ಪ್ರಮುಖ ಪಾತ್ರ ವಹಿಸುತ್ತದೆ, ಮತ್ತು ಅದರ ಕ್ಷೀಣತೆ ಅಲ್ಝೈಮರ್ ಕಾಯಿಲೆಯ ಆರಂಭಿಕ ಹಂತಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ನೋಡಲ್ಪಡುತ್ತದೆ. ಪ್ಯಾರಿಯಟಲ್ ಮತ್ತು ಆಕ್ಕಸಿಪಿಟಲ್ ಪ್ರದೇಶಗಳಲ್ಲಿ ಬದಲಾವಣೆಗಳು, ಸಂಕೀರ್ಣ ಮಾನಸಿಕ ಕಾರ್ಯಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿರುವ ನರಜಾಲಗಳೊಂದಿಗೆ ಸಂಬಂಧಿಸಿವೆ, ಇವು ಕಾಯಿಲೆಯ ಪ್ರಗತಿಯಲ್ಲಿ ಅವರ ಮಹತ್ವವನ್ನು ದೃಢಪಡಿಸುತ್ತವೆ.

ಈ ಮಾದರಿಯು ರೋಗಿಗಳ ಚಿಕಿತ್ಸೆಯ ಮೇಲೆ ಗಣನೀಯ ಪ್ರಭಾವ ಬೀರಬಹುದು. ಅಲ್ಪಾವಧಿಯಲ್ಲಿ ಮಾನಸಿಕ ಕ್ಷೀಣತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಹೆಚ್ಚಿನ ಅಪಾಯ ಇರುವ ರೋಗಿಗಳನ್ನು ಗುರುತಿಸುವ ಮೂಲಕ, ವೈದ್ಯರು ಫಾಲೋ-ಅಪ್ ಅನ್ನು ಹೇಗೆ ನಿಭಾಯಿಸಬೇಕು, ಆರಂಭಿಕ ಹಸ್ತಕ್ಷೇಪಗಳನ್ನು ಸಲಹೆ ಮಾಡಬಹುದು ಮತ್ತು ರೋಗಿಗಳು ಹಾಗೂ ಅವರ ಕುಟುಂಬಸ್ಥರಿಗೆ ಉತ್ತಮ ಮಾಹಿತಿ ಒದಗಿಸಬಹುದು. ವಿರುದ್ಧವಾಗಿ, ಕಡಿಮೆ ಅಪಾಯ ಇರುವ ವ್ಯಕ್ತಿಗಳು ಅನಾವಶ್ಯಕ ಪರೀಕ್ಷೆಗಳು ಅಥವಾ ತೀವ್ರ ಬಾರಿ ಸಲಹೆಗಳನ್ನು ತಪ್ಪಿಸಬಹುದು. ಈ ಅಪಾಯದ ವಿಂಗಡಣೆಯು ಕ್ಲಿನಿಕಲ್ ಟ್ರಯಲ್ಸ್‌ನ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಸುಧಾರಿಸಬಹುದು, ವೇಗದ ಪ್ರಗತಿಯ ಅಪಾಯ ಇರುವ ಭಾಗವಹಿಸುವವರನ್ನು ಗುರಿಯಾಗಿಸುವುದರ ಮೂಲಕ, ಹೊಸ ಚಿಕಿತ್ಸೆಗಳ ಅಭಿವೃದ್ಧಿಯನ್ನು ಸುಲಭಗೊಳಿಸಬಹುದು.

ಈ ಅಧ್ಯಯನವು ಸ್ಕ್ಯಾನರ್, ಸಾಮಾನ್ಯವಾಗಿ ಮೂಲ ನಿದಾನ ಸಾಧನವೆಂದು ಪರಿಗಣಿಸಲ್ಪಡುತ್ತದೆ, ಪ್ರಾಗ್ನೋಸಿಸ್‌ಗೆ ಒಂದು ಕೀಲಿ ಅಂಶವಾಗಬಹುದು ಎಂದು ದೃಢಪಡಿಸಿದೆ. ಈಗಾಗಲೇ ಲಭ್ಯವಿರುವ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು, ಈ ವಿಧಾನವು ರೋಗಿಗಳಿಗೆ ಅಥವಾ ಆರೋಗ್ಯ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಭಾರ ಹೇರದೆ, ವೈಯಕ್ತಿಕ ವೈದ್ಯಕೀಯ ಪೂರೈಕೆಗಾಗಿ ಸुलಭ ಪ್ರವೇಶಯುಕ್ತ ಪರಿಹಾರವನ್ನು ಒದಗಿಸುತ್ತದೆ.

“`

Sources du média

Document de référence

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

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

Revue : Scientific Reports

Éditeur : Springer Science and Business Media LLC

Auteurs : 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