ការសិក្សាថ្មីស្តីពីបុព្វហេតុហ្សែននៃបញ្ហាសុខភាពផ្លូវចិត្ត

A HOLD FreeRelease 4 | eTurboNews | អ៊ីធីអិន
និពន្ធដោយ Linda Hohnholz

ប្រជាជនជនជាតិភាគតិចត្រូវបានតំណាងដោយប្រវត្តិសាស្ត្រនៅក្នុងការសិក្សាដែលមានស្រាប់ដែលដោះស្រាយពីរបៀបដែលការប្រែប្រួលហ្សែនអាចរួមចំណែកដល់ជំងឺផ្សេងៗ។ ការសិក្សាថ្មីមួយពីអ្នកស្រាវជ្រាវនៅមន្ទីរពេទ្យកុមារនៃទីក្រុង Philadelphia (CHOP) បង្ហាញថា គំរូសិក្សាជ្រៅមួយមានភាពត្រឹមត្រូវដ៏ជោគជ័យនៅពេលជួយធ្វើរោគវិនិច្ឆ័យជំងឺផ្លូវចិត្តទូទៅជាច្រើននៅក្នុងអ្នកជំងឺអាហ្រ្វិកអាមេរិក។ ឧបករណ៍នេះអាចជួយបែងចែករវាងជំងឺ ក៏ដូចជាកំណត់អត្តសញ្ញាណជំងឺជាច្រើន ជំរុញការអន្តរាគមន៍ដំបូងជាមួយនឹងភាពជាក់លាក់កាន់តែប្រសើរ និងអនុញ្ញាតឱ្យអ្នកជំងឺទទួលបានវិធីសាស្រ្តផ្ទាល់ខ្លួនបន្ថែមទៀតចំពោះស្ថានភាពរបស់ពួកគេ។ ការសិក្សានេះត្រូវបានបោះពុម្ពផ្សាយដោយទស្សនាវដ្តី Molecular Psychiatry កាលពីពេលថ្មីៗនេះ។

ការវិនិច្ឆ័យរោគផ្លូវចិត្តបានត្រឹមត្រូវអាចជាបញ្ហាប្រឈម ជាពិសេសសម្រាប់ក្មេងទើបចេះដើរតេះតះ ដែលមិនអាចបំពេញកម្រងសំណួរ ឬមាត្រដ្ឋានវាយតម្លៃ។ បញ្ហា​ប្រឈម​នេះ​មាន​លក្ខណៈ​ធ្ងន់ធ្ងរ​ជា​ពិសេស​ចំពោះ​ប្រជាជន​ជនជាតិ​ភាគតិច​ដែល​មិន​បាន​សិក្សា។ ការស្រាវជ្រាវហ្សែនពីមុនបានរកឃើញសញ្ញាហ្សែនជាច្រើនសម្រាប់ជំងឺផ្លូវចិត្តផ្សេងៗគ្នា ដោយខ្លះបម្រើជាគោលដៅថ្នាំព្យាបាលដ៏មានសក្តានុពល។ ក្បួនដោះស្រាយការរៀនស៊ីជម្រៅក៏ត្រូវបានគេប្រើដើម្បីធ្វើរោគវិនិច្ឆ័យដោយជោគជ័យនូវជំងឺស្មុគ្រស្មាញដូចជាជំងឺផ្ចង់អារម្មណ៍ផ្ចង់អារម្មណ៍ (ADHD)។ ទោះបីជាយ៉ាងណាក៏ដោយ ឧបករណ៍ទាំងនេះកម្រនឹងត្រូវបានអនុវត្តនៅក្នុងចំនួនប្រជាជនដ៏ច្រើននៃអ្នកជំងឺអាហ្រ្វិកអាមេរិកាំង។

នៅក្នុងការសិក្សាពិសេសមួយ អ្នកស្រាវជ្រាវបានបង្កើតទិន្នន័យលំដាប់ហ្សែនទាំងមូលពីគំរូឈាមអ្នកជំងឺ 4,179 នាក់នៃអ្នកជំងឺអាហ្រ្វិកអាមេរិកាំង រួមទាំងអ្នកជំងឺ 1,384 ដែលត្រូវបានគេធ្វើរោគវិនិច្ឆ័យថាមានជំងឺផ្លូវចិត្តយ៉ាងហោចណាស់មួយ ការសិក្សានេះបានផ្តោតលើជំងឺផ្លូវចិត្តទូទៅចំនួន XNUMX រួមមាន ADHD, ជំងឺធ្លាក់ទឹកចិត្ត, ការថប់បារម្ភ។ , ជំងឺអូទីស្សឹម វិសាលគម, ពិការភាពបញ្ញា, បញ្ហាការនិយាយ/ភាសា, ការពន្យារពេលក្នុងការអភិវឌ្ឍន៍ និងជំងឺប្រឆាំងជំទាស់ (ODD)។ គោលដៅរយៈពេលវែងនៃការងារនេះគឺដើម្បីស្វែងយល់បន្ថែមអំពីហានិភ័យជាក់លាក់សម្រាប់ការវិវត្តន៍ជំងឺមួយចំនួននៅក្នុងប្រជាជនអាមេរិកអាហ្រ្វិក និងរបៀបធ្វើឱ្យប្រសើរឡើងនូវលទ្ធផលសុខភាពដោយផ្តោតលើវិធីសាស្រ្តផ្ទាល់ខ្លួនបន្ថែមទៀតក្នុងការព្យាបាល។

អ្នកនិពន្ធជាន់ខ្ពស់ Hakon Hakonarson, MD, PhD, Center for Applied Genomics at CHOP បាននិយាយថា "ការសិក្សាភាគច្រើនផ្តោតតែលើជំងឺមួយប៉ុណ្ណោះ ហើយប្រជាជនជនជាតិភាគតិចត្រូវបានតំណាងយ៉ាងខ្លាំងនៅក្នុងការសិក្សាដែលមានស្រាប់ដែលប្រើប្រាស់ machine learning ដើម្បីសិក្សាពីបញ្ហាផ្លូវចិត្ត" ។ . "យើងចង់សាកល្បងគំរូសិក្សាដ៏ស៊ីជម្រៅនេះនៅក្នុងប្រជាជនអាមេរិកអាហ្រ្វិក ដើម្បីមើលថាតើវាអាចបែងចែកអ្នកជំងឺដែលមានជំងឺផ្លូវចិត្តយ៉ាងត្រឹមត្រូវពីការគ្រប់គ្រងដែលមានសុខភាពល្អ និងថាតើយើងអាចដាក់ស្លាកប្រភេទជំងឺបានត្រឹមត្រូវដែរឬទេ ជាពិសេសចំពោះអ្នកជំងឺដែលមានជំងឺច្រើនប្រភេទ។"

ក្បួនដោះស្រាយការរៀនជ្រៅជ្រះបានស្វែងរកបន្ទុកនៃបំរែបំរួលហ្សែននៅក្នុងផ្នែកសរសេរកូដ និងតំបន់មិនសរសេរកូដនៃហ្សែន។ គំរូនេះបានបង្ហាញពីភាពត្រឹមត្រូវជាង 70% ក្នុងការបែងចែកអ្នកជំងឺដែលមានបញ្ហាផ្លូវចិត្តពីក្រុមត្រួតពិនិត្យ។ ក្បួនដោះស្រាយការរៀនស៊ីជម្រៅមានប្រសិទ្ធភាពស្មើគ្នាក្នុងការធ្វើរោគវិនិច្ឆ័យអ្នកជំងឺដែលមានជំងឺច្រើនមុខ ដោយគំរូផ្តល់នូវការផ្គូផ្គងរោគវិនិច្ឆ័យពិតប្រាកដក្នុងប្រហែល 10% នៃករណី។

គំរូនេះក៏បានកំណត់ដោយជោគជ័យនូវតំបន់ហ្សែនជាច្រើនដែលសម្បូរទៅដោយជំងឺផ្លូវចិត្ត ដែលមានន័យថាពួកគេទំនងជាពាក់ព័ន្ធនឹងការវិវត្តនៃជំងឺទាំងនេះ។ ផ្លូវជីវសាស្រ្តដែលពាក់ព័ន្ធរួមមាន ផ្លូវដែលទាក់ទងនឹងការឆ្លើយតបនៃប្រព័ន្ធភាពស៊ាំ ការភ្ជាប់អង់ទីហ្សែន និងអាស៊ីតនុយក្លេអ៊ីក ផ្លូវផ្តល់សញ្ញាគីមីវិទ្យា និងអ្នកទទួលប្រូតេអ៊ីនដែលចង guanine nucleotide ។ ទោះជាយ៉ាងណាក៏ដោយ អ្នកស្រាវជ្រាវក៏បានរកឃើញផងដែរថា ការប្រែប្រួលនៅក្នុងតំបន់ដែលមិនមានកូដប្រូតេអ៊ីន ហាក់ដូចជាជាប់ពាក់ព័ន្ធនៅក្នុងជំងឺទាំងនេះក្នុងប្រេកង់ខ្ពស់ ដែលមានន័យថា ពួកគេអាចបម្រើជាសញ្ញាសម្គាល់ជំនួស។

លោក Hakonarson បាននិយាយថា "តាមរយៈការកំណត់អត្តសញ្ញាណហ្សែន និងផ្លូវដែលពាក់ព័ន្ធ ការស្រាវជ្រាវនាពេលអនាគតដែលមានគោលបំណងកំណត់លក្ខណៈមុខងាររបស់ពួកគេអាចផ្តល់នូវការយល់ដឹងអំពីយន្តការអំពីរបៀបដែលជំងឺទាំងនេះវិវត្តន៍" ។

ការស្រាវជ្រាវនេះត្រូវបានគាំទ្រដោយមូលនិធិអភិវឌ្ឍន៍ស្ថាប័នពី CHOP ដល់មជ្ឈមណ្ឌលសម្រាប់ហ្សែនអនុវត្ត និងមន្ទីរពេទ្យកុមារនៃទីក្រុង Philadelphia ដែលផ្តល់សិទ្ធិជាប្រធានក្នុងការស្រាវជ្រាវហ្សែន។

អ្វី​ដែល​ត្រូវ​យក​ចេញ​ពី​អត្ថបទ​នេះ៖

  • In a unique study, the researchers generated whole genome sequencing data from 4,179 patient blood samples of African American patients, including 1,384 patients who had been diagnosed with at least one mental disorder This study focused on eight common mental disorders, including ADHD, depression, anxiety, autism spectrum disorder, intellectual disabilities, speech/language disorder, delays in developments and oppositional defiant disorder (ODD).
  • “We wanted to test this deep learning model in an African American population to see whether it could accurately differentiate mental disorder patients from healthy controls, and whether we could correctly label the types of disorders, especially in patients with multiple disorders.
  • The long-term goal of this work is to learn more about specific risks for developing certain diseases in African American populations and how to potentially improve health outcomes by focusing on more personalized approaches to treatment.

<

អំពី​អ្នក​និពន្ធ

Linda Hohnholz

និពន្ធនាយកសម្រាប់ eTurboNews មានមូលដ្ឋាននៅក្នុង eTN HQ ។

ជាវប្រចាំ
ជូនដំណឹងអំពី
ភ្ញៀវ
0 យោបល់
មតិប្រតិកម្មក្នុងជួរ
មើលមតិយោបល់ទាំងអស់
0
សូមជួយផ្តល់យោបល់។x
ចែករំលែកទៅកាន់...