زوال عقل یک چالش مهم مراقبت‌های بهداشتی جهانی است که بیش از ۵۵ میلیون نفر در سراسر جهان را تحت تاثیر قرار می‌دهد و هزینه تخمینی سالانه آن ۸۲۰ میلیارد دلار است. پیش‌بینی می‌شود تعداد مبتلایان طی ۵۰ سال آینده تقریبا سه برابر شود. علت اصلی زوال عقل، بیماری آلزایمر است که ۶۰ تا ۸۰ درصد موارد را تشکیل می‌دهد. تشخیص زودهنگام در این زمینه بسیار مهم است اما این فرایند ممکن است بدون استفاده از آزمایش‌های تهاجمی یا گران‌قیمت، دقیق نباشد. در نتیجه ممکن است تا یک سوم بیماران به اشتباه تشخیص داده شوند.
برای حل این مساله، گروهی به رهبری محققان بخش روانشناسی دانشگاه کمبریج یک مدل یادگیری ایجاد کرده‌اند که می‌تواند پیش‌بینی کند که آیا فردی با مشکلات حافظه و تفکر خفیف به بیماری آلزایمر مبتلا می‌شود یا خیر. محققان این پروژه برای ساخت الگوی خود از داده‌های جمع‌آوری‌شده ۴۰۰ بیمار در ایالات متحده استفاده کردند. آنها سپس الگوی خود را روی ۹۰۰ نفر از بیماران کلینیک‌های حافظه در انگلستان و سنگاپور آزمایش کردند.
این الگوریتم قادر بود بین افراد مبتلا به اختلال شناختی خفیف پایدار و افرادی که در یک دوره سه ساله آلزایمرشان پیشرفت کرده بودند، تمایز قائل شود. این الگوریتم در پیش‌بینی پیشرفت آلزایمر سه برابر دقیق‌تر از استاندارد مراقبت فعلی بود.
این مدل همچنین به محققان اجازه داد تا افراد مبتلا به آلزایمر را در سه گروه طبقه‌بندی کنند: کسانی که علائم آنها ثابت می‌ماند (حدود ۵۰ درصد از شرکت‌کنندگان)، کسانی که به آهستگی به سمت آلزایمر پیشرفت می‌کنند (حدود ۳۵ درصد ) و کسانی که بیماری‌شان با سرعت بیشتری پیشرفت می‌کند (۱۵ درصد باقی مانده). نکته مهم این است که آن ۵۰ درصد از افرادی که علائمی مانند از دست دادن حافظه دارند اما پایدار می مانند، بهتر است به مسیر بالینی متفاوتی هدایت شوند، زیرا علائم آنها ممکن است به دلایل دیگری همچون اضطراب یا افسردگی مربوط باشد.
پروفسور زو کورتزی، نویسنده ارشد این از گروه تحقیقاتی در این باره گفت: «ما ابزاری ایجاد کرده‌ایم که در کنار استفاده از داده‌های آزمایش‌های شناختی و اسکن‌های MRI، بسیار دقیق‌تر از رویکردهای فعلی پیش‌بینی می‌کند که آیا علائم خفیف در فرد بیمار به آلزایمر پیشرفته تبدیل می‌شود یا خیر؟ از طرف دیگر، این روش به ما نشان می دهد که کدام دسته از بیماران به مراقبت نزدیک نیاز دارند.»
