Инструмент на основе искусственного интеллекта способен оценивать ускоренное старение мозга, показывает исследование

Алгоритмы искусственного интеллекта теперь могут оценивать, подвергается ли мозг человека ускоренному биологическому старению по сравнению с его хронологическим возрастом, согласно сообщению ScienceDaily. Технологическое достижение использует комплексные данные, включая сопутствующие заболевания, генетические факторы риска и такие физиологические показатели, как паттерны сна, чтобы определить, происходят ли структурные и функциональные изменения мозга быстрее нормы. Исследователи, участвовавшие в работе, подчеркивают, что выявление расхождения между хронологическим возрастом и оценочным возрастом мозга может предоставить врачам неинвазивный инструмент для выявления нейродегенеративных рисков задолго до проявления клинических симптомов. Результаты работы, поддержанной исследовательскими организациями, включая австралийский National Health and Medical Research Council и American Academy of Sleep Medicine, подчеркивают растущую роль машинного обучения в профилактической неврологии и персонализированной медицине.

## Quantifying Brain Age Through Artificial Intelligence Применение машинного обучения в нейробиологии опирается на вычислительные алгоритмы, обученные на обширных наборах данных нейровизуализации, биологических маркеров и клинических историй болезни пациентов. Как сообщает ScienceDaily, эти модели искусственного интеллекта учатся распознавать сложные структурные паттерны и функциональные особенности, характерные для здорового старения мозга в разные десятилетия жизни. При получении новых данных пациента система рассчитывает предполагаемый биологический возраст мозга и сравнивает его непосредственно с фактическим календарным возрастом человека.

Положительное расхождение, при котором оценочный возраст мозга превышает хронологический возраст, указывает на ускоренное старение мозга. Архитектуры машинного обучения эффективно выявляют незначительные изменения плотности тканей, толщины коры, объема и целостности белого вещества, которые могут ускользнуть при традиционном визуальном осмотре специалистом. Синтезируя тысячи различных параметров данных одновременно, модели искусственного интеллекта могут сформировать комплексную базовую оценку неврологического здоровья, предоставляя количественную метрику, известную как разрыв в возрасте мозга (brain age gap).

## Genetic Risk Factors and Pre-existing Conditions Ключевым аспектом диагностических возможностей, отмеченным в отчете ScienceDaily, является интеграция генетических профилей и сопутствующих заболеваний в прогностическую систему. Генетическая предрасположенность играет существенную роль в определении восприимчивости человека к когнитивному снижению и структурным изменениям мозга с течением времени. Включая показатели генетического риска наряду с данными визуализации и клиническими метриками, ИИ-система достигает более высокой точности диагностики.

Системные заболевания также оказывают выраженное влияние на здоровье сосудов головного мозга и сохранность нейронов. Хронические проблемы со здоровьем, такие как сердечно-сосудистые заболевания, гипертония, метаболические нарушения и системное воспаление, уже давно связывают с повышенным риском когнитивных нарушений. Модель искусственного интеллекта оценивает, как эти сопутствующие заболевания усугубляют структурный износ тканей мозга в течение длительного времени. Вместо изолированного изучения неврологических показателей вычислительная система рассматривает здоровье мозга в контексте более широкого физиологического профиля пациента, иллюстрируя, как здоровье различных органов напрямую коррелирует со скоростью биологического старения центральной нервной системы.

## The Role of Sleep and Lifestyle Indicators Исследование, подробно описанное ScienceDaily, также подчеркивает критическую связь между качеством сна, циркадной регуляцией и траекториями возраста мозга. Поддержка исследования частично была предоставлена American Academy of Sleep Medicine, что отражает растущее клиническое признание того, что нарушения сна служат как ранними тревожными признаками, так и активными катализаторами ускоренного старения мозга.

Во время глубокого сна центральная нервная система осуществляет жизненно важное метаболическое обслуживание, включая очистку от продуктов клеточного распада через глимфатическую систему. Хронический дефицит сна, апноэ во сне и фрагментация структуры сна нарушают эти восстановительные процессы, способствуя развитию нейровоспаления и микрососудистого стресса. Включив объективные и субъективные показатели сна в модели машинного обучения, исследователи смогли обнаружить чёткую связь между хроническими нарушениями сна и метриками ускоренного старения мозга. Полученные результаты свидетельствуют о том, что мониторинг здоровья сна может предоставить ранние практические ориентиры для вмешательств, направленных на замедление биологического увядания мозга.

## Clinical Applications and Early Detection Практическая цель разработки ИИ-моделей возраста мозга состоит в переносе этих вычислительных методов из фундаментальных научных исследований в повседневную клиническую практику. Согласно отчетам ScienceDaily, ранняя диагностика остается важнейшей проблемой в лечении прогрессирующих неврологических расстройств, включая умеренные когнитивные нарушения, болезнь Альцгеймера и сосудистую деменцию.

В современной клинической практике нейродегенеративные заболевания часто диагностируются только после того, как уже произошла значительная необратимая утрата тканей и когнитивные нарушения. Оценивая разрыв в возрасте мозга у пациентов без симптомов или со слабо выраженной симптоматикой, медицинские специалисты могли бы выявлять лиц из группы риска за годы до появления явного когнитивного дефицита. Эта прогностическая возможность способна обеспечить раннее терапевтическое вмешательство, изменение образа жизни и целевое управление базовыми сосудистыми и метаболическими факторами риска, потенциально откладывая или смягчая начало тяжелого когнитивного снижения.

## Research Funding and Future Trajectory Исследование, лежащее в основе этих разработок, было поддержано ведущими организациями здравоохранения, включая Australian National Health and Medical Research Council в рамках гранта GTN2009264 и American Academy of Sleep Medicine. Эти институциональные инвестиции отражают международный консенсус исследователей относительно потенциала вычислительной неврологии для трансформации стратегий общественного здравоохранения в отношении стареющего населения.

Прежде чем эти модели искусственного интеллекта смогут широко применяться в клинических условиях, исследователи должны продолжить проверку их эффективности на различных мировых популяциях, с использованием разного оборудования для визуализации и в различных клинических когортах. Ожидается, что будущие этапы исследований будут сосредоточены на лонгитюдном наблюдении, отслеживающем изменения оценок возраста мозга с течением времени в ответ на конкретное медицинское лечение, изменение диеты и терапевтические вмешательства в сон. В случае успешного подтверждения в проспективных клинических испытаниях оценка возраста мозга с помощью искусственного интеллекта может стать стандартным ориентиром в рутинном профилактическом здравоохранении.

В этой статье использована информация, первоначально опубликованная ScienceDaily.