неврология

На конференции ASGCT 26 были представлены многообещающие результаты применения новой генной терапии, разработанной компанией Encoded Therapeutics для лечения синдрома Драве — тяжелого нейроразвивающего заболевания. В ходе исследования было зафиксировано значительное снижение частоты эпилептических приступов на 76% у детей, принимавших участие в испытаниях. В частности, этот впечатляющий результат наблюдался у трех пациентов, получавших терапию во второй по интенсивности дозировке из четырех протестированных вариантов. Исследование фокусируется на использовании передовых методов генной инженерии для коррекции генетических дефектов, вызывающих патологию. Данные результаты демонстрируют высокий потенциал технологии Encoded в трансформации подходов к лечению редких неврологических расстройств. Успех клинических испытаний может стать важным шагом к созданию эффективного стандартного лечения для пациентов с этим тяжелым диагнозом.

В данной исследовательской работе, опубликованной в журнале npj Digital Medicine, рассматривается инновационный подход к оценке интенсивности головной боли через анализ автоматизированного распознавания мимических паттернов. Авторы используют технологию APEX frames для захвата и анализа микровыражений лица, которые коррелируют с уровнем болевого синдрома. Методология исследования направлена на создание объективного инструмента мониторинга боли, который мог бы дополнить субъективные отчеты пациентов. Ключевая цель заключается в минимизации человеческого фактора при оценке боли, что критически важно для пациентов с когнитивными нарушениями или при хронических состояниях. Результаты подчеркивают потенциал использования компьютерного зрения для интеграции в цифровые системы мониторинга здоровья и телемедицины. Данная технология может стать важным подспорьем в персонализированной терапии неврологических заболеваний.

Исследование посвящено применению моделей машинного обучения для дифференциации пациентов с рассеянным склерозом от здорового контроля и классификации фенотипов заболевания. Модели показали высокую точность (до 96%) в диагностике и эффективно прогнозируют уровень инвалидизации (шкала EDSS) на основе данных МРТ и клинических показателей.

Систематический обзор анализирует современные методы машинного и глубокого обучения для автоматического обнаружения внутричерепных кровоизлияний по КТ-снимкам без контраста. Исследование охватывает архитектуры CNN, 3D-CNN, гибридные и трансформерные модели, а также методы объяснимого ИИ для интерпретируемости. Результаты показывают высокую диагностическую эффективность, однако сохраняются проблемы с обобщаемостью и клинической валидацией.

Предложен метод ансамбля ESDRCX для раннего обнаружения болезни Паркинсона, объединяющий деревья решений, SVM, Random Forest с CNN для спиральных изображений и XGBoost как мета-обучатель. Модель достигла 95.7% точности и 86% precision на датасете HandPD, демонстрируя значительный прогресс в диагностике.

Исследование применяет методы машинного обучения для классификации пациентов с боковым амиотрофическим склерозом (БАС) против контрольной группы на основе данных смешанных анкет, содержащих как структурированные переменные, так и свободный текст. Разработана утечка-свободная ML-пайплайн с LLM-экстракцией текста в таблицу и компактным лонгитюдным кодированием. Сравнены три конфигурации признаков: Pool1 (только структурированные данные), Pool2 (добавлены компактные суммарные признаки из первого временного пункта), Pool3 (дополнены описаниями изменений между T1 и T2). В итоговой конфигурации Pool3 Random Forest достиг точности 0.673, F1-взвешенного показателя 0.666 и коэффициента корреляции Мэттьюса 0.323 на holdout-тесте. Кросс-валидация показала F1-weighted 0.654 и MCC 0.312. Анализ ablation показал, что удаление компактного временного блока значительно снижает производительность, тогда как удаление текстового блока почти не влияет. Вывод: в малых клинических когортах ценность языковой обработки заключается не в статических признаках, а в компактном представлении лонгитюдных траекторий изменений.