Sürücü Davranışları Sayesinde Demans Erken Teşhis Edilebilir

ABD’de yapılan yeni bir araştırmada, makine öğrenme teknikleri kullanılarak geliştirilen algoritmalar sayesinde, natürel sürüş verileri analiz edilerek sürücünün orta dereceli bilişsel bozukluğu(MCI) ve demansı tespit edilebiliyor. Araştırmada henüz başlangıç aşamasında olsa da araştırmacılar bu sayede akıllı telefon uygulamaları veya araçlara monte edilecek cihazlar sayesinde demansa dair ilk semptomların tespit edilebileceğini düşünüyor.

Demansın(bunama) sürüş üzerindeki etkisi mantıksal açıdan iyi işlenmiş bir konu. Aslında nörodejenerasyon sürüş davranışlarında değişikliklerin gözlenmesi pek de şaşırtıcı değil. Buna rağmen, bu yeni araştırma sayesinde sürüş verisine ilişkin şablonları çıkarmak için makine öğrenme geliştirilebilir. Bu sayede bunama veya orta dereceli bilişsel bozukluğu (MCI- mild cognitive impairment) kullanılabilir.

LongROAD (Yaşlanan Sürücüler Üzerine Uzun Vadeli Araştırma-The Longitudinal Research on Aging Drivers) 4 yıla kadar 3000 yaşlı sürücüyü izledi ve geniş kapsamlı bir veriseti oluşturdu. LongROAD araştırması boyunca 33 sübjeye MCI teşhisi konurken, 31 kişiye de demans teşhisi kondu.

LongROAD verileri MCI ve demans davranışlarını tespit edecek şekilde bir dizi makine öğrenmesiyle eğitildi.

“Natürel sürüş verilerindeki değişkenler ve yaş, cinsiyet, ırk/etnisite ve eğitim gibi temel demografik karakteristiklerden yola çıkarak orta dereceli bilişsel bozukluk ve demans % 88 doğrulukla tespit edilebiliyor,” diyor araştırmanın baş yazarı Sharon Di.

Yaş, MCI veya demansı saptamada bir numaralı faktör olmasına rağmen, bir dizi sürüş değişkeni yakından takip edildi. Bunlar,” eve 15 mil (24 km) içinde yapılan yolculukların yüzdesi, evde başlayan ve biten yolculukların uzunluğu, yolculuk başına dakika ve yavaşlama oranları ≥ 0,35 g olan sert frenlerin sayısı.” Modeller, tek başına değişken değişkenleri kullanarak,  MCI veya demans sürücülerini yüzde 66 doğrulukla tahmin edebilir.

Araştırmacılar, MCI ve bunama arasındaki sürüş özelliklerindeki farklılıkları özellikle anlamak için daha fazla araştırmaya ihtiyaç duyulduğunu söylerken, çalışmanın hala ilk günleri. Ayrıca, LongROAD verilerindeki mütevazı sayıda MCI ve bunama vakasına dikkat çeken çalışma, tahmin modellerinin gerçek dünya koşullarında ne kadar genelleştirilebilir olduğunu bulmak için daha büyük araştırmaların gerekli olacağı anlamına geliyor.

Bu Yazıyı Paylaşın