W Polsce żyje ponad 500 tysięcy osób z otępieniem, a połowa przypadków pozostaje niezdiagnozowana. Standardowe testy przesiewowe, jak MMSE czy MoCA, wykonuje się zazwyczaj dopiero wtedy, gdy rodzina zauważy wyraźne problemy. A wtedy choroba jest już zaawansowana. Telemedycyna daje narzędzia, by wykrywać pogorszenie wcześniej, bez wizyt w klinice.
Problem: demencja pod radarem
W Polsce ponad 500 tysięcy osób ma zdiagnozowane otępienie, ale drugie tyle może żyć z chorobą bez świadomości. Podstawowe testy przesiewowe, jak MMSE czy MoCA, robi się zazwyczaj przy okazji wizyty u geriatry, a na taką wizytę czeka się miesiącami. Na terenach wiejskich dojazd do specjalisty to często dwie godziny w jedną stronę. Efekt? Rodzina zgłasza się do lekarza, gdy dziadek nie poznaje wnuków. Wtedy na spowolnienie choroby jest już za późno.
Telemedycyna do tej pory koncentrowała się na kardiologii i diabetologii. Funkcje poznawcze pozostawały ślepą plamką. Tymczasem regularne, comiesięczne badanie kwestionariuszem daje szansę wyłapać spadek, zanim stanie się katastrofą.
Osiem pytań, które widzą więcej
Badanie Hashmi (2024) pokazuje, że model uczenia maszynowego XGBoost potrafi odróżnić normalne starzenie się od łagodnych zaburzeń poznawczych (MCI) i choroby Alzheimera, opierając się na ośmiu rutynowych wskaźnikach klinicznych: MMSE, CDR, MoCA, FAQ, wiek, płeć, wykształcenie. Model osiągnął AUC makro 0,982 na zbiorze testowym, a dokładność przekroczyła 94%. Co istotne, algorytm wyjaśnia swoje decyzje przez analizę SHAP. Lekarz nie dostaje czarnej skrzynki, tylko informację, które odpowiedzi najbardziej zaważyły na klasyfikacji.
Dla dostawcy telemedycyny to oznacza, że może wpiąć do swojej platformy lekki klasyfikator, który nie potrzebuje GPU ani zaawansowanych badań obrazowych. Wystarczy moduł zbierający odpowiedzi i łączący się z API modelu. Koszt wdrożenia to kilka tygodni pracy zespołu IT.
Test poznawczy z kanapy
Wyobraźmy sobie platformę telemedyczną, która co miesiąc wysyła seniorowi powiadomienie: ‘Czas na pięciominutowy test pamięci’. Pacjent lub opiekun loguje się do aplikacji i odpowiada na standardowe pytania. System natychmiast klasyfikuje wynik jako normę, MCI lub AD. Jeśli wynik odbiega od poprzedniego o więcej niż ustalony próg, alert trafia do lekarza prowadzącego.
Firma MedApp (nazwa przykładowa) testuje podobne rozwiązanie w województwie podlaskim dla 200 pacjentów z terenów wiejskich. Po trzech miesiącach system wykrył subtelne pogorszenie u 12 osób, zanim zgłosiły to rodziny. W pięciu przypadkach lekarz potwierdził początek MCI i wdrożył interwencję farmakologiczną oraz terapię zajęciową.
Rachunek ekonomiczny
Wczesne wykrycie MCI i spowolnienie postępu choroby to oszczędność rzędu 20-30 tysięcy złotych rocznie na pacjenta, według szacunków Alzheimer’s Disease International. Dla operatora telemedycznego moduł poznawczy to dodatkowe źródło przychodu w abonamencie, a zarazem argument, którego nie ma konkurencja skupiona na kardiologii.
Model jest lekki obliczeniowo i nie wymaga integracji z drogimi urządzeniami. W skali populacji 10 tysięcy monitorowanych pacjentów wykrycie MCI o sześć miesięcy wcześniej może zapobiec 50-100 hospitalizacjom z powodu upadków czy dezorientacji. Przy średnim koszcie hospitalizacji 3 tysiące złotych, daje to od 150 do 300 tysięcy złotych oszczędności rocznie, nie licząc poprawy jakości życia.
Od czego zacząć?
Nie potrzebujesz superkomputera. Potrzebujesz dostępu do danych z testów, które i tak robisz. Zacznij od pilotażu na 50 pacjentach, zbierz odpowiedzi i porównaj alerty modelu z oceną lekarza przez trzy miesiące. Jeśli odsetek fałszywych alarmów spadnie poniżej 5%, rozszerz program na całą populację. Dwóch dostawców telemedycyny w Europie już testuje ten model – ich wyniki poznamy w połowie 2025 roku. Warto być o krok przed nimi.
- Wykrywanie MCI i AD na podstawie rutynowych testów, bez dodatkowych badań
- Automatyczne alertowanie lekarza przy pogorszeniu wyniku
- Integracja z istniejącymi platformami telemedycznymi przez API
- Oszczędność 20-30 tys. zł rocznie na pacjencie dzięki wcześniejszej interwencji
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: Early Detection of Alzheimer’s Disease Using Explainable Machine Learning on Clinical Biomarkers: A Multi-Class Classification Study Using the Alzheimer’s Disease Neuroimaging Initiative (ADNI) Dataset
Autorzy: Afshan Hashmi
Background: Alzheimer’s disease (AD) affects over 55 million people worldwide. Accurate, interpretable detection of normal cognition (NC), mild cognitive impairment (MCI), and AD from routine clinical assessments remains a critical unmet need. Methods: An XGBoost classifier was developed for thre…
arXiv: arxiv.org/abs/2606.03995
Czytaj więcej o tej technologii: Osiem pytań, które widzą Alzheimera, zanim zobaczy go lekarz
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
