https://virgool.io/feed/@arashsoltani سلام آرش هستم یه خوره نوروساینس، هوش مصنوعی، علوم شناختی. داستان عشق من به این تاپیک ها از دبیرستان اژه ای 1 شروع شد و الان هم توی دانشگاه علوم پزشکی شهید بهشتی داره ادامه پیدا میکنه... fa 2026-04-15 00:10:31 https://files.virgool.io/upload/users/1762558/avatar/0etCLp.jpg?height=120&width=120 https://virgool.io/@arashsoltani https://virgool.io/@arashsoltani/%D8%AA%D8%A7%D8%AB%DB%8C%D8%B1-%DA%86%D8%A7%DB%8C-%D8%B3%D8%A8%D8%B2-%D9%88-%D8%AF%D9%88%D8%B3%D8%AA%D8%A7%D9%86-%D8%A8%D8%B1-%D8%A8%DB%8C%D9%85%D8%A7%D8%B1%DB%8C-%D8%A2%D9%84%D8%B2%D8%A7%DB%8C%D9%85%D8%B1-pzmypprjrpb1 ? علت بیماری آلزایمر در رایج ترین شکل آن که مبتنی بر ژنتیک نیست، به خوبی شناخته نشده است. این امر درمان را دشوار می سازد، اما پیشرفت هایی در این زمینه در حال انجام است. محققان تافتس در اوایل سال جاری با استفاده از یک مدل سه بعدی از سلول‌های زنده مغز انسان، نشان دادند که ویروس هرپس معمولی می‌تواند پلاک‌هایی را در مغز ایجاد کند که مرتبط با بیماری آلزایمر است.? اکنون، محققان تافتس در حال کار بر روی درک این موضوع هستند که چه چیزی ممکن است پیشرفت بیماری را آرام کند. آنها 21 ترکیب مختلف را بر سلول‌های عصبی مبتلا به آلزایمر در آزمایشگاه آزمایش کرده‌اند و تأثیر ترکیبات استفاده شده را بر رشد پلاک‌های چسبندهِ بتا آمیلوئید اندازه‌گیری کردند. این پلاک ها در مغز افراد مبتلا به آلزایمر ایجاد می شوند.بیماری آلزایمر ششمین علت مرگ و میر در ایالات متحده است که بیش از 6 میلیون آمریکایی را تحت تأثیر قرار داده است و انتظار می‌رود میزان بروز آن در دهه‌های آینده افزایش یابد.? محققان دریافتند که دو ترکیب رایج - کاتِچین های(Catechins) چای سبز و رِسوِراترول(Resveratrol) که در شراب قرمز و سایر غذاها یافت می شود - باعث کاهش تشکیل پلاک در آن سلول های عصبی می شوند. و آنها این کار را با عوارض جانبی کم یا بدون عوارض انجام می دهند. محققان یافته های خود را در مجله Free Radical Biology and Medicine گزارش کردند.? برخی از 21 ترکیب آزمایش شده با فعالیت به عنوان عوامل ضد ویروسی پیشرفت بیماری آلزایمر ناشی از ویروس هرپس را کاهش می دهند.? دانا کایرنز(Dana Cairns) می‌گوید:" اما یافتن ترکیبی که می‌تواند پلاک‌ها را بدون توجه به مؤلفه‌ی ویروسی کاهش دهد، ایده‌آل خواهد بود، زیرا این امر نشان می‌دهد که صرف‌نظر از علت آلزایمر، ممکن است همچنان شاهد نوعی بهبود باشیم." کایرنز یک همکار تحقیقاتی در آزمایشگاه کاپلان(Kaplan Lab) در دانشکده مهندسی است و این تحقیق را رهبری می کند.? غربالگری اولیه در مدل‌های ساده‌تر انجام شد و سپس ترکیباتی که تأثیر مثبت داشتند در مدل سه بعدی بافت عصبی آزمایش شدند. این مدل با استفاده از یک اسفنج ابریشمی غیر واکنشی ایجاد شده است که با سلول‌های پوست انسان که از طریق برنامه‌ریزی مجدد ژنتیکی به اجداد سلول‌های بنیادی عصبی تبدیل می‌شوند، بذر شده است.? کایرنز می‌گوید:" این سلول‌ها رشد می‌کنند و اسفنج را پر می‌کنند که امکان تشکیل شبکه سه بعدی نورون‌هایی مشابه آنچه در مغز انسان می‌بینید را فراهم می‌کند."? او افزود:" غربالگری اولیه نشان داد که پنج ترکیب پیشگیری واقعاً قوی را در برابر این پلاک‌ها داشتند." آنها علاوه بر ترکیبات چای سبز و رسوراترول، کورکومین موجود در زردچوبه، داروی دیابتی متفورمین و ترکیبی به نام سیتیکولین را پیدا کردند که از تشکیل پلاک ها جلوگیری می کند و اثرات ضد ویروسی ندارد.? او گفت:" ما امیدوار بودیم که ترکیباتی بی‌ضرر و تا حدودی کارآمدی پیدا کنیم. ترکیبات چای سبز و رسوراترول این استاندارد را برآورده کردند و ما خوش شانس بودیم که برخی از اینها کارایی بسیار قوی نشان دادند. در مورد این ترکیبات که غربالگری را پشت سر گذاشتند، تقریباً پس از یک هفته هیچ پلاک قابل مشاهده ای نداشتند"? کاتچین های چای سبز - مولکول های موجود در برگ های چای که دارای اثر آنتی اکسیدانی هستند که به عنوان یک درمان بالقوه برای سرطان ها مورد بررسی قرار گرفته اند و رسوراترول نیز برای خواص ضد پیری آزمایش شده است.? کایرنز هشدار داد که دیدن اثرات در آزمایشگاه همیشه لزوماً به آنچه ممکن است در یک بیمار ببینید تعبیر نمی شود. برخی از ترکیبات از سد خونی-مغزی عبور نمی کنند و برخی از آنها فراهمی زیستی پایینی دارند، به این معنی که به راحتی در بدن یا جریان خون جذب نمی شوند.? با این حال، این کشف بسیار مهم است زیرا هیچ درمانی برای آلزایمر یا راهی برای جلوگیری از پیشرفت آن وجود ندارد، به غیر از چندین داروی بالقوه که توسط شرکت‌های داروسازی تولید شده‌اند و هنوز در مرحله آزمایش هستند.? او در ادامه افزود:" ترکیباتی مانند این دو که تا حدی اثربخشی دارند و به عنوان مواد بی خطر و به راحتی قابل دسترسی هستند، می توانند به عنوان مکمل مصرف شوند یا به عنوان بخشی از رژیم غذایی مورد استفاده قرار بگیرند."? کایرنز می‌گوید:" برای مثال، منابع طبیعی رسوراترول شامل شراب قرمز، میوه‌های خاصی مانند انگور، زغال اخته، بلوبری، بادام زمینی، پسته و کاکائو است که می تواند مورد استفاده قرار بگیرد."? در حالی که توانایی انجام اقداماتی مانند اینها برای جلوگیری از تخریب عصبی بالقوه در آینده، باعث توانمندسازی افراد می شود، همچنین مهم است که قبل از ایجاد هرگونه تغییر عمده در رژیم غذایی خود با ارائه دهنده خدمات سلامت خود مشورت کنید.? با نگاهی به آینده، یک حوزه بالقوه تحقیق برای محققان و شرکت‌های داروسازی این است که خواص مفید این ترکیبات را در نظر بگیرند و برای تقویت آن‌ها برای فراهم‌سازی زیستی بیشتر یا نفوذ بهتر آن‌ها در سد خونی-مغزی تلاش بکنند.✍️مترجم: آرش سلطانی ?منبع: Tufts University?تاریخ: November, 2022#Alzheimer#Green_Tea#Wine#Nutrition#Treatment Arash Soltani Arash Soltani Sun, 13 Nov 2022 18:47:16 +0330 https://virgool.io/@arashsoltani/%D9%82%D8%AF%D8%B1%D8%AA-%D9%81%D8%AD%D8%A7%D8%B4%DB%8C-%DA%A9%D9%84%D9%85%D8%A7%D8%AA-%D8%B2%D8%B4%D8%AA-%DA%86%DA%AF%D9%88%D9%86%D9%87-%D8%A8%D8%B1-%D8%B4%D9%85%D8%A7-%D8%AA%D8%A3%D8%AB%DB%8C%D8%B1-%D9%85%DB%8C-%DA%AF%D8%B0%D8%A7%D8%B1%D8%AF-qhliatzuxsmu ? فحاشی به مدت طولانی به عنوان یک موضوع تحقیقات جدی رد می شد زیرا تصور می شد که صرفاً نشانه ای از پرخاشگری، تسلط ضعیف زبانی یا حتی هوش پایین است. ما اکنون شواهد بسیار زیادی داریم که این دیدگاه را به چالش می کشد و ما را وادار می کند تا در ماهیت و قدرت فحاشی تجدید نظر کنیم.?چه طرفدار فحش دادن باشیم و چه نباشیم، احتمالاً بسیاری از ما هر از گاهی به آن متوسل می شویم. برای تخمین قدرت فحش دادن و تعیین اینکه از کجا آمده است، اخیراً بیش از 100 مقاله دانشگاهی در این زمینه از رشته‌های مختلف بررسی کردیم. این مطالعه که در Lingua منتشر شده است، نشان می‌دهد که استفاده از کلمات رکیک می‌تواند عمیقاً بر نحوه تفکر، عمل و ارتباط ما با یکدیگر تأثیر بگذارد.آیا تا حالا بعد از شنیدن اخبار سیاسی فحاشی کرده اید؟ لذت آور بوده درسته؟? مردم اغلب فحاشی را با کاتارسیس(Catharsis): آزادسازی احساسات قوی مرتبط می دانند. این روش ارتباط برقرار کردن به صورت غیر قابل انکاری با سایر اشکال استفاده از زبان متفاوت و قدرتمندتر است. جالب اینجاست که برای گویندگان چند زبانه، کاتارسیس هنگام فحش دادن به زبان اول تقریباً بیشتر از هر زبانی است که بعداً آموخته شده است.? فحش دادن احساسات را برمی انگیزد. این را می توان در پاسخ های خودمختار مانند افزایش تعریق و گاهی اوقات افزایش ضربان قلب مشاهده کرد. این تغییرات نشان می دهد که فحش دادن می تواند عملکرد "ستیز یا گریز" را فعال کند.? تحقیقات علوم اعصاب نشان می دهد که فحش دادن ممکن است در قسمت های مختلف مغز از سایر مناطق گفتاری باشد. به طور خاص، ممکن است بخش‌هایی از «سیستم لیمبیک» (شامل اجزایی به نام عقده‌های قاعده ای و آمیگدال) را فعال کند. این ساختارهای عمیق در جنبه هایی از حافظه و پردازش احساسات دخالت دارند که غریزی هستند و مهار آن ها دشوار است. این ممکن است توضیح دهد که چرا فحش دادن در افرادی که دچار آسیب مغزی شده اند و در نتیجه در صحبت کردن مشکل دارند، دست نخورده باقی می ماند.? آزمایشات مبتنی بر آزمایشگاه نیز اثرات شناختی را نشان می دهد. ما می دانیم که کلمات دشنام توجه بیشتری را به خود جلب می کنند و بهتر از کلمات دیگر به خاطر سپرده می شوند. اما آنها همچنین در پردازش شناختی کلمات دیگر نیز دخالت می‌کنند - بنابراین به نظر می‌رسد که فحش دادن گاهی اوقات می‌تواند راه تفکر را نیز مختل کند.? با این حال ممکن است بعضی مواقع فحاشی ارزش استفاده را داشته باشد! در آزمایش‌هایی که از افراد خواسته می‌شود دست خود را در آب یخی فرو کنند، فحش دادن باعث تسکین درد می‌شود. در این مطالعات، گفتن یک واژه دشنام در مقایسه با کلمات خنثی منجر به تحمل درد بیشتر و آستانه درد بالاتر می شود. مطالعات دیگر افزایش قدرت بدنی را در افراد پس از فحش دادن نشان داده شده است.? اما فحش دادن فقط بر نفس فیزیکی و ذهنی ما تأثیر نمی گذارد، بلکه بر روابط ما با دیگران نیز تأثیر می گذارد. تحقیقات در زمینه ارتباطات و زبان شناسی مجموعه ای از اهداف اجتماعیِ قابل تمایز فحش دادن را نشان داده است - از ابراز پرخاشگری و ایجاد توهین تا پیوند اجتماعی، طنز و داستان گویی. بد زبانی حتی می تواند به ما در مدیریت هویت و نشان دادن صمیمیت و اعتماد و همچنین افزایش توجه و تسلط بر افراد دیگر کمک کند.بررسی های دقیق تر? علیرغم داشتن چنین تأثیر قابل توجهی بر زندگی ما، ما در حال حاضر اطلاعات کمی در مورد اینکه فحش دادن قدرت خود را از کجا می گیرد، داریم. جالب اینجاست که وقتی یک واژه ناسزا را به زبانی ناآشنا می شنویم، مانند هر کلمه دیگری به نظر می رسد و هیچ یک از این نتایج را به همراه نخواهد داشت - هیچ چیز خاصی در مورد صدای خود کلمه وجود ندارد که به طور جهانی توهین آمیز باشد.? پس قدرت از خود کلمات نمی آید. به همان اندازه، این قدرت در معانی یا صداهای کلمه ذاتی نیست: نه تعبیرها و نه کلمات آوای مشابه چنین تأثیر عمیقی بر ما ندارند.? یک توضیح این است: "شرطی کردن نفرت انگیز". استفاده از تنبیه برای جلوگیری از ادامه دشنام معمولاً در دوران کودکی اتفاق می افتد. این ممکن است یک ارتباط احشایی بین استفاده از زبان و پاسخ عاطفی ایجاد کند. در حالی که این فرضیه درست به نظر می رسد، اما تنها تعداد انگشت شماری از مطالعات به صورت ضعیف نقش خاطرات تنبیه دوران کودکی را بر فحش دادن بررسی کرده اند. تقریباً هیچ مطالعه تجربی در مورد پیوند بین چنین خاطراتی و پاسخ بزرگسالان به دشنام وجود ندارد.? برای اینکه بفهمیم چرا فحش دادن چنین تأثیر عمیقی بر ما می گذارد، باید ماهیت خاطرات افراد برای فحش دادن را بررسی کنیم. فحاشی های مهم آنها چه بود؟ آیا فحش دادن همیشه عواقب ناخوشایندی مانند تنبیه به همراه داشته یا فوایدی هم داشته است؟ در مورد تجربیات مداوم مردم از فحش دادن در طول عمر چطور؟ به هر حال، تحقیقات ما نشان می دهد که فحش دادن گاهی اوقات می تواند به افراد کمک کند تا با یکدیگر پیوند برقرار کنند.? ما فکر می‌کنیم که ممکن است فحاشی، الگوی حافظه‌ای مشابه با موسیقی را نشان دهد. ما آهنگ‌هایی را که در دوران نوجوانی به آن‌ها گوش داده‌ایم به خاطر می‌آوریم و دوست داریم. این به این دلیل است که مانند موسیقی، احتمالاً فحش دادن در نوجوانی معنای جدیدی پیدا می کند. این یک راه مهم برای پاسخ به احساسات شدیدی است که در این دوران به آنها تمایل داریم، و عملی که نشان دهنده استقلال از والدین و ارتباط با دوستان است. بنابراین، فحش ها و آهنگ هایی که در این مدت استفاده می شود ممکن است برای همیشه با تجربیات مهم و بسیار به یاد ماندنی پیوند بخورد.?تحقیقات همچنین باید بررسی کند که آیا ارتباطی بین خاطرات فحش دادن و تأثیرات مشاهده شده در آزمایش‌ها وجود دارد یا خیر. این می تواند نشان دهد که آیا افرادی که خاطرات مثبت بیشتری دارند نسبت به کسانی که خاطرات منفی دارند واکنش متفاوتی نشان می دهند یا خیر.❓آخرین نکته حائز اهمیت این است که آیا فحش دادن اگر از نظر اجتماعی مقبولیت بیشتری پیدا کند و در نتیجه بار توهین آمیز خود را از دست بدهد، قدرت خود را از دست می دهد یا خیر. با این حال، در حال حاضر، فحاشی مطمئناً به عنوان یک خطای اجتماعی باقی خواهد ماند.✍️مترجم: آرش سلطانی?منبع: The Conversation?تاریخ: October, 2022#Swearing#Social#Communication#The_Conversation Arash Soltani Arash Soltani Thu, 20 Oct 2022 17:54:09 +0330 https://virgool.io/@arashsoltani/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%AF%D8%B1%D9%85%D8%A7%D9%86-%D9%85%D8%A8%D8%AA%D9%84%D8%A7%DB%8C%D8%A7%D9%86-%D8%A8%D9%87-%D8%B5%D8%B1%D8%B9%D9%90-%D9%85%D9%82%D8%A7%D9%88%D9%85-%D8%A8%D9%87-%D8%AF%D8%A7%D8%B1%D9%88-wivxf24xf9sk الگوریتم هوش مصنوعی که ناهنجاری ها را شناسایی می کند به کمک درمان صرع می آید.?? یک الگوریتم هوش مصنوعی که می تواند ناهنجاری های ظریف مغز را شناسایی کند که منجر به تشنج های صرعی می شود توسط گروهی از دانشمندان بین المللی به رهبری دانشگاه UCLA توسعه پیدا کرده است.?پروژه تشخیص ضایعات صرع چند مرکزی (MELD) از بیش از 1000 اسکن MRI بیماران از 22 مرکز صرع در سراسر جهان برای توسعه این الگوریتم استفاده کرد که گزارش‌هایی از محل ناهنجاری‌ها در موارد دیسپلازی قشر کانونی مقاوم به دارو (FCD) را به عنوان علت اصلی ارائه می‌دهد.صرع از بیماری های مزمن عصبی می باشد که 1.2 درصد از جمعیت ایالات متحده را درگیر خود کرده است.? دیسپلازی های کورتیکال کانونی(FCDs) به مناطقی از مغز هستند که به طور غیر طبیعی رشد کرده اند و اغلب باعث صرع مقاوم به دارو می شوند. این بیماری معمولاً با جراحی درمان می‌شود، با این حال شناسایی ضایعات حاصله به واسطه MRI یک چالش همیشگی برای پزشکان است، زیرا اسکن‌های MRI در FCDs می‌تواند طبیعی به نظر برسد. ? برای توسعه این الگوریتم، این تیم ویژگی‌های قشر مغز را از اسکن‌های MRI، مانند میزان ضخیم یا چین‌خوردگی سطح قشر مغز اندازه‌گیری کردند و از حدود 300000 مکان در سراسر مغز بهره بردند.? سپس محققان این الگوریتم را بر روی نمونه‌هایی که توسط رادیولوژیست‌های خبره به عنوان یک مغز سالم یا دارای FCD برچسب‌گذاری شده بود، بسته به الگوها و ویژگی‌هایشان، آموزش دادند.یافته‌هایی که در Brain منتشر شد، نشان داد که به طور کلی الگوریتم قادر به تشخیص FCD در 67٪ موارد در گروه (538 شرکت‌کننده) بود.? پیش از این، 178 نفر از شرکت‌کنندگان را MRI منفی می‌دانستند، به این معنی که رادیولوژیست‌ها قادر به یافتن این ناهنجاری نبودند، اما الگوریتم MELD موفق به شناسایی FCD در 63 درصد از این موارد شده بود.این امر به ویژه مهم است، زیرا اگر پزشکان می توانند این ناهنجاری را در اسکن مغز پیدا کنند، سپس درمان جراحی برای برداشتن آن را می توانند ارائه دهند.? ماتیلد ریپارت (Mathilde Ripart) نویسنده همکار (از موسسه بهداشت کودکان UCL Great Ormond Street) گفت: "ما برای ایجاد یک الگوریتم هوش مصنوعی که قابل تفسیر باشد و بتواند به پزشکان در تصمیم گیری کمک کند، تلاش کردیم. نشان دادن این چگونه الگوریتم MELD پیش بینی های خود را انجام می دهد به پزشکان یک امر ضروری بود و بخشی از این فرآیند است."? دکتر کنراد واگستیل (Konrad Wagstyl) یکی از نویسندگان ارشد (موسسه عصب شناسی کوئین اسکوئر UCL) افزود: "این الگوریتم می تواند به یافتن تعداد بیشتری از این ضایعات پنهان در کودکان و بزرگسالان مبتلا به صرع کمک کند و بیماران مبتلا به صرع بیشتری را قادر می سازد تا برای جراحی مغز در نظر گرفته شوند که می تواند صرع را درمان کند و رشد شناختی آنها را بهبود بخشد. تقریباً 440 کودک در سال می توانند از جراحی صرع در انگلیس بهره مند شوند."? حدود 1٪ از جمعیت جهان به بیماری عصبی جدی صرع مبتلا هستند که با تشنج های مکرر مشخص می شود.در بریتانیا حدود 600000 نفر درگیر این بیماری هستند. در حالی که درمان های دارویی برای اکثر افراد مبتلا به صرع در دسترس است، 20 تا 30 درصد به داروها پاسخ نمی دهند.? در کودکانی که برای کنترل صرع تحت عمل جراحی قرار گرفته اند، FCD شایع ترین علت و در بزرگسالان سومین علت شایع است.علاوه بر این، در بین بیمارانی که صرع دارند و دارای یک ناهنجاری در مغز هستند که در اسکن ام آر آی یافت نمی شود، FCD شایع ترین علت است.? دکتر هانا اسپیتزر (از Helmholtz Munich) یکی از نویسندگان این مقاله گفت: "الگوریتم ما به طور خودکار تشخیص ضایعات را از هزاران اسکن MRI از بیماران می آموزد. این الگوریتم می تواند به طور قابل اعتمادی انواع ضایعات، شکل ها و اندازه های مختلف و حتی بسیاری از آن ضایعات را که قبلا توسط رادیولوژیست ها نادیده گرفته شده بودند را تشخیص دهد."? دکتر سوفی آدلر (دکتر سوفی آدلر) یکی از نویسندگان ارشد (موسسه بهداشت کودکان UCL Great Ormond Street) افزود: "ما امیدواریم که این فناوری به شناسایی ناهنجاری های ایجاد کننده صرع که در حال حاضر نادیده گرفته شده اند کمک کند. در نهایت می تواند بیماران بیشتری را قادر سازد تا یک جراحی درمانی داشته باشند."? این مطالعه بر روی تشخیص FCD از بزرگترین گروه MRI FCDs تا به امروز استفاده می کند، به این معنی است که قادر به تشخیص همه انواع FCD می باشد.? ابزار طبقه بندی MELD FCD را می توان بر روی هر بیمار مشکوک به FCD که سن بالای 3 سال دارد و اسکن MRI دارد، اجرا کرد.اسکنرهای MRI مختلف در 22 بیمارستان درگیر در این مطالعه در سراسر جهان مورد استفاده قرار گرفت، که الگوریتم را قادر می‌سازد قوی‌تر باشد اما همچنین ممکن است بر حساسیت و ویژگی الگوریتم تأثیر بگذارد.✍️مترجم: آرش سلطانی ?منبع: Brain?تاریخ: August, 2022#Artificial_Intelligence#Seizure#Epilepsy#MRI#FCD#Brain Arash Soltani Arash Soltani Sat, 10 Sep 2022 23:28:12 +0430 https://virgool.io/@arashsoltani/%D9%85%D8%A7-%DA%86%D9%87-%D8%B2%D9%85%D8%A7%D9%86%DB%8C-%D8%A8%D8%B1%D8%A7%DB%8C-%DA%A9%D9%85%DA%A9-%D8%A8%D9%87-%D8%AF%DB%8C%DA%AF%D8%B1%D8%A7%D9%86-%D8%A7%D8%B0%DB%8C%D8%AA-%D9%85%DB%8C-%D8%B4%D9%88%DB%8C%D9%85%EF%B8%8F-pliyjhvuu3r0 ?ما چه زمانی برای کمک به دیگران اذیت می شویم؟ دانشمندان منطقه مغزی را که مسئول این رفتار است را شناسایی کرده اند.??دانشمندان دانشگاه بیرمنگهام(University of Birmingham) و دانشگاه آکسفورد(University of Oxford) ناحیه ای از مغز که به طور خاص در تلاش برای کمک به دیگران درگیر است را شناسایی کرده اند.?این تحقیق که در Current Biology منتشر شده است، نشان می‌دهد که رفتار نوع‌دوستانه سخت‌گیرانه - انتخاب‌هایی که افراد برای کمک به دیگران انجام می‌دهند - در قسمت متفاوتی از مغز نسبت به آن ناحیه ای که برای انتخاب‌های سخت‌گیرانه فیزیکی که تنها برای کمک به خود مورد استفاده قرار می گیرد، اتفاق می‌افتد.تا حالا با خودتون فک کردید چرا بعضی از آدما انقد راحت از کنار هم نوعِ در حال رنج کشیدن خودشون عبور میکنن؟? درک دقیق‌تر آنچه در مغز هنگام اتخاذ این تصمیم‌ها می‌گذرد، می‌تواند به پزشکان کمک کند تا رویکردهایی برای درمان رفتارهای روان‌پریشی ایجاد کنند. همچنین می‌تواند برای درک بهتر این که چرا مردم مایل به انجام رفتارهای کمک‌کننده روزمره مانند کار داوطلبانه، بازیافت زباله‌ها برای کاهش گرمایش جهانی یا توقف برای کمک به غریبه‌ها هستند، مفید باشد.? ناحیه شناسایی شده به نام شکنج قشر کمربندی قدامی (ACCg) در جلوی مغز قرار دارد و در رفتار اجتماعی نقش دارد، اما قبلاً با تلاش برای کمک به دیگران مرتبط نبوده است. جالب اینجاست که محققان دریافتند که ACCg، زمانی فعال نمی شود که افراد تصمیمات پرتلاشی را می گیرند که تنها به نفع خودشان باشد.? دکتر پاتریشیا لاک‌وود(Patricia Lockwood) در ابتدا می‌گوید: "از باز نگه داشتن دری گرفته تا داوطلب شدن برای یک خیریه، اغلب باید تصمیم بگیریم که آیا می‌توانیم برای کمک به افراد دیگر زحمت بکشیم یا نه، اما مکانیسم‌های مغزی پشت این اعمال ناشناخته مانده‌اند". نویسنده اول این پژوهش ادامه می دهد: "با شناسایی ناحیه خاصی از مغز که در هنگام نیاز به تلاش افراد فعال می شود، ما یک گام به درک آنچه برخی از افراد را ترغیب می کند به انجام تصمیماتی که اغلب از نظر فیزیکی برای کمک به افراد نیاز دارند، نزدیکتر شده ایم. حتی درحالی که این کار مستقیماً به خودشان سود نمی رساند."? در این مطالعه، محققان با 38 شرکت‌کننده در رده سنی 18 تا 35 سال کار کردند. از همه شرکت‌کنندگان خواسته شد تا در یک کار تصمیم‌گیری سخت شرکت کنند و پرسشنامه‌ای را تکمیل کنند تا سطح همدلی خود را ارزیابی کنند.? شرکت کنندگان در حین انجام یک اسکن fMRI تصمیمات را اتخاذ می کردند. این اسکن قسمت‌های مختلفی از مغز را مشخص می‌کند که در زمانی که افراد برای کمک به خود یا شخص دیگری تصمیم می‌گیرند «کار» یا «استراحت» کنند، فعال می‌شوند.?اگر آنها گزینه کار را انتخاب می کردند، باید دستگاهی را در دست خود فشار می دادند که قدرت گرفتن آنها را اندازه می گرفت. آنها باید این کار را برای مدت طولانی انجام می دادند تا به آستانه ای برسند که می توانستند به صورت هزممان روی صفحه نمایش ببینند. برای هر تصمیمی به آنها گفته می شد که آیا برای خودشان کار می کنند یا برای شخص دیگری. اگر تصمیم می‌گرفتند تلاش کنند، باید آنقدر فشار می‌دادند تا به آستانه برسند و پاداش را دریافت کنند، که تعداد امتیازهای متفاوتی بود که به پول تبدیل می‌شد، چه برای خودشان یا برای شخص ناشناس دیگری که برایش بازی می‌کردند.? محققان با استفاده از یک تکنیک آماری جدید برای تجزیه و تحلیل داده‌ها، توانستند الگوهایی را در مغز شناسایی کنند که نشان می‌دهد آنها چقدر مایل به انجام تلاش هستند. این تصمیم‌ها برای کمک به شخص دیگری است، اما زمانی که تصمیم می‌گرفتند برای پاداش دادن به خود تلاش کنند، اصلاً فعال نشد. جالب است که افرادی که گفته بودند از نظر همدلی بسیار بالا هستند، قوی ترین الگوهای تلاش را در ACCg داشتند. محققان همچنین دریافتند که آن دسته از افرادی که فعالیت بیشتری را در ACCg نشان می‌دهند، قدرت گرفتن و فشار دادن بیشتری برای کمک داشتند.گام بعدی برای تیم تحقیقاتی این خواهد بود که بررسی کند که چه اتفاقی برای رفتار کمک‌کننده تلاش‌آمیز در افرادی می‌افتد که از سکته مغزی یا سایر آسیب‌های مغزی دچار ضایعات در آن ناحیه از مغز شده‌اند.✍️مترجم: آرش سلطانی?منبع: Current Biology?تاریخ انتشار: August 26, 2022#Neuroscience#Empathy#Beahavior#psychology Arash Soltani Arash Soltani Tue, 06 Sep 2022 00:16:50 +0430 https://virgool.io/@arashsoltani/%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-%D9%88-%D8%AC%D9%84%D9%88%DA%AF%DB%8C%D8%B1%DB%8C-%D8%A7%D8%B2-%D8%A7%D9%BE%DB%8C%D8%AF%D9%85%DB%8C-%D9%85%D8%AE%D8%AF%D8%B1%D9%87%D8%A7%DB%8C-%D8%B6%D8%AF-%D8%AF%D8%B1%D8%AF-uegvedjxeqax ?هوش مصنوعی می‌تواند به بیماران مبتلا به درد مزمن کمک کند تا از مواد افیونی اجتناب کنند?درمان شناختی-رفتاری، جایگزین موثری برای مسکن‌های مخدر برای مدیریت و کاهش درد مزمن می‌باشد. اما واداشتن بیماران به تکمیل این برنامه‌ها چالش برانگیز است، به ویژه به این دلیل که روان درمانی، اغلب به جلسات متعددی نیاز دارد و متخصصان سلامت روان، از لحاظ آماری ناکافی هستند.? یک مطالعه جدید در JAMA Internal Medicine نشان می‌دهد که CBT(cognitive behavioral therapy) مربوط به درد که توسط هوش مصنوعی پشتیبانی می‌شود، همان نتایج برنامه‌های توصیه‌ شده توسط دستورالعمل‌هایی که به وسیله درمانگران ارائه می‌شوند را به دنبال دارد، همچنین زمان درمانی کمتر این برنامه، درمان به این شیوه را در دسترس‌تر می‌کند.سالانه هزاران نفر برای کاهش درد مزمن خود در دام اعتیاد می افتند.? جان پیت(John D. Piette)، استاد دانشکده بهداشت عمومی دانشگاه میشیگان و دانشمند ارشد تحقیقاتی در اداره کهنه سربازان می گوید: "درد مزمن فوق‌العاده شایع است: کمردرد، آرتروز، سردردهای میگرنی و موارد دیگر. به علت وجود درد، افراد کار خود را از دست می‌دهند، افسردگی می‌گیرند حتی برخی افراد بیشتر از حد سالم الکل می‌نوشند در واقع درد مزمن یکی از عوامل اصلی اپیدمی مواد مخدر است."? سپس او ادامه داد: "ما در مورد نتایج این مطالعه بسیار هیجان‌زده هستیم، زیرا توانستیم نشان دهیم که می‌توانیم به نتایجی در درد دست یابیم که حداقل به خوبی برنامه‌های درمانی رفتاری-شناختی استاندارد و حتی شاید بهتر آن ها باشند. و ما این کار را با زمانی کمتر از نیمی از زمان عادی رویکرد توصیه شده توسط راهنمای درمانگران انجام دادیم."به طور سنتی، CBT توسط یک درمانگر در 6 تا 12 جلسه حضوری هفتگی ارائه می­شود که رفتا­رهای بیماران را هدف قرار می­دهد، به آنها کمک می­کند تا از نظر ذهنی کنار بیایند و به آنها در بازیابی عملکرد کمک کند.? پیت(Piette) در ادامه می گوید: "متاسفانه بسیاری از افراد مبتلا به درد به این برنامه‌ها دسترسی ندارند و جلسات متعدد هفتگی برای افرادی که خواسته‌های رقابتی مانند شغل و مسئولیت‌های خانوادگی دارند، یک مشکل بزرگ است."او افزود: "در نتیجه، برخی از بیماران برای درمان علائم خود تنها به دنبال دارو هستند یا به سادگی قبل از دستیابی به مزایای درمان مراقبت را ترک می­کنند."? در این مطالعه پیت و همکارانش 278 بیمار مبتلا به کمردرد مزمن را انتخاب کردند و آنها را به طور تصادفی به دو گروه تقسیم کردند. یک گروه CBT استاندارد را از طریق ده جلسه تلفنی 45 دقیقه ای با یک درمانگر دریافت کردند. گروه دیگر درمان مبتنی بر هوش مصنوعی را دریافت کردند که در آن علائم خود را از طریق تماس‌های خودکار روزانه مختصر گزارش کردند. بر اساس عملکرد آنها، برنامه مبتنی بر هوش مصنوعی می­تواند یک جلسه درمانگر 45 دقیقه ای یا 15 دقیقه ای یا حتی یک جلسه کاملاً خودکار که محتوای مشابه را پوشش می­دهد اما بدون نیاز به حضور درمانگر است را به بیمار توصیه می­کند.? پیت(Piette) گفت: "در سه ماهگی، شدت درد و تداخل درد بیماران به همان اندازه با برنامه پشتیبانی شده با هوش مصنوعی خوب بود، و در شش ماهگی، تعداد قابل توجهی از بیماران در گروه تحت حمایت هوش مصنوعی پیشرفت‌های بالینی مهمی در نتایج خود داشتند."82 درصد از بیماران این مطالعه در گروه AI-CBT تمام 10 هفته درمان را تکمیل کردند، در مقایسه با 57 درصد از بیمارانی که تنها 10 هفته مشاوره تلفنی توسط یک درمانگر دریافت کردند.? پیت(John D. Piette) ادامه داد: "علیرغم دریافت هفته‌های بیشتر درمان، برنامه پشتیبانی‌شده با هوش مصنوعی کمتر از نیمی از زمان درمانگر را مصرف می کند، به این معنی که می‌توانیم تعداد بیمارانی را که می‌توان با همان تعداد پزشک معالجه کرد، دو برابر کرد. این یافته می‌تواند تأثیر چشمگیری بر نحوه تفکر ما در مورد ارائه روان‌درمانی برای افراد مبتلا به درد داشته باشد."? پیت(Piette) گفت: "رویکردهای مشابه CBTبرای سایر مشکلات رایج نیز مانند افسردگی، اضطراب و استرس پس از سانحه استفاده می­شود. او گفت که این رویکرد جدید می‌تواند این خدمات را با وجود کمبود درمانگر، بسیار در دسترس‌تر کند."? او در انتها افزود: "هوش مصنوعی می‌تواند کمک کند که چگونه می‌توان به هر فرد به اندازه‌ای که نیاز دارد توجه کرد، در حالی که تضمین می‌کند که ما منابع کمیاب را برای بیمارانی که از آنها سود نمی‌برند خرج نمی‌کنیم. همه به یک اندازه به زمان درمانگر نیاز ندارند؛ برخی به زمان بیشتری نیاز دارند، در حالی که سایر بیماران می توانند با برنامه ای سبک تر به مزایای مربوطه دست یابند. هوش مصنوعی می تواند به ما کمک کند تا خدماتی را که می توانند بیشترین کمک را در آن داشته باشند، هدف قرار دهیم."✍️مترجم: آرش سلطانی?منبع: Jama Internal Medicine?تاریخ: August, 2022#Artificial_Intelligence#Pain#Opioids#Addiction#CBT#Jama_Internal_Medicine Arash Soltani Arash Soltani Fri, 02 Sep 2022 01:00:46 +0430 https://virgool.io/Artificialintelligence/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%A8%DB%8C%D9%85%D8%A7%D8%B1%DB%8C-%D9%BE%D8%A7%D8%B1%DA%A9%DB%8C%D9%86%D8%B3%D9%88%D9%86-%D8%A8%D9%87-%D9%88%D8%B3%DB%8C%D9%84%D9%87-%D9%87%D9%88%D8%B4-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C-qkv5uzoi3jlz ردیابی سنسور های پوشیدنی، تصویربرداری از بیمار در حال انجام ورزش های روتین یا آزمایش دست خط بیمار، کدام یک برای تشخیص پارکینسون بهتر است؟?محققان در Skoltech یک مطالعه مقایسه ای بر اساس یادگیری ماشین(Machine Learning) را دراین سه روش نظارتی مبتنی بر بیمار انجام دادند تا بفهمند کدام تکنیک بیشترین اطمینان را برای پزشکان و همچنین بیشترین راحتی و کمترین زمان را برای بیماران دارد. این مطالعه در IEEE Transactions on Instrumentation and Measurement چاپ شده است.پارکینسون یک بیماری عصبی تحلیل برنده است که 10 میلیون نفر را در سراسر جهان درگیر خود کرده است?هوش مصنوعی به عنوان اهرمی برای حل مشکلات متعدد در سیستم بهداشت و درمان در نظر گرفته می‌شود، با این حال بزرگ ترین ویژگی آن، پتانسیل بالا در تشخیص و تعیین بهتر بیماری نسبت به انسان می‌باشد. پزشکان در حال حاضر بیماری پارکینسون را براساس ارزیابی علائم حرکتی بیمار، تاریخچه پزشکی و تندرستی فیزیکی و ذهنی انجام می‌دهند ولی علائم می‌توانند در افتراق از بیماری های نورولوژیک دیگر، سخت باشند.بدون هیچ راه کامل درمان بیماری، تشخیص زودرس بیماری پارکینسون می‌تواند اثرات عمیقی بر گزینه های درمانی و همچنین کیفیت زندگی بیمار بگذارد. دانشمندان در حال بررسی نشانه های آشکار شروع بیماری هستند.?تیمی از محققان Skoltech به رهبری استادیار Andrey Somov و دانشیار Dmitry Dylov الگوریتم‌های یادگیری ماشینی را برای تشخیص و اندازه‌گیری عینی علائم پارکینسون از طریق حسگرها طراحی کردند -شتاب‌سنج و ژیروسکوپ، ویدئو و تجزیه و تحلیل دست‌نویس. این مطالعه می‌تواند روزی به مردم در تشخیص و پاسخ آنها به درمان پزشکی کمک کند- به شرطی که آن ها دستگاه پوشیدنی مانند ردیاب تناسب اندام، وب‌کم، کامپیوتر و اتصال به اینترنت داشته باشند.?دانشجوی Ph.D به نام Ekaterina Kovalenko از Skoltech می گوید:"ما داده‌های 120 نفر را جمع‌آوری کرده‌ایم - 35 نفر بدون پارکینسون و 85 نفر مبتلا به پارکینسون - با میانگین سنی 58 و نیم سال در حالی که آنها روی یک سری تکالیف حرکتی جلوی سه دوربین با استفاده از حسگرها کار می‌کردند. کارهایی که معمولاً حدود 15 دقیقه طول می کشد که شامل تا کردن یک حوله، پر کردن لیوان از آب، ضربه زدن با انگشت اشاره به انگشت شست و خواندن یک جمله پیچیده با صدای بلند، نوشتن آن و ترسیم یک مارپیچ می‌شد. این تمرینات تحت نظارت متخصصان مغز و اعصاب طراحی شده و از چندین منبع مختلف، از جمله مقیاس هایی که برای نظارت بر بیماری پارکینسون استفاده می شد و تحقیقات قبلی که در این زمینه انجام شده است بهره برده است. هر تمرین یک علامت هدف دارد که می تواند آن را آشکار کند."?در ادامه دانشجوی Ph.D به نام Aleksei Shcherbak از Skoltech افزود:"همه افراد مبتلا به پارکینسون همه علائم بیماری را نشان نمی دهند، و ما سعی کردیم بفهمیم که آیا شناسایی می تواند به یک روش تشخیصی تنها تکیه کند: حسگر، دوربین یا دست خط. اگر چه تجزیه و تحلیل داده های حسگر بهترین نتایج را نشان داد، اما برای بیماران در مراحل بالاتر PD نامناسب است. اما بیمارانی که در مراحل ابتدایی تشخیص داده شده اند گزارش می دهند که حسگرهای پوشیدنی برای پوشیدن راحت هستند، به این معنی که در آینده نزدیک فناوری های پوشیدنی می توانند داده ها را به طور مداوم جمع آوری و ارزیابی کنند تا پیشرفت بیماری و خود بیماران را ردیابی کنند."?از نظر راحتی برای بیماران، رویکرد "دست خط" بهترین روش است زیرا برای انجام ترسیم مارپیچ و گرفتن عکس آن، زمان زیادی نمی برد. تجزیه و تحلیل ویدئو نیز برای بیماران مناسب است و امیدوارکننده ترین است، زیرا تشخیص به وسیله آن می تواند در زمان واقعی بدون هیچ محدودیتی در حالی که بیمار در حال انجام تمرینات است رخ دهد.?نویسنده همکار مقاله Dr. Ekaterina Bril می گوید:"ما در نظر داریم که به غیر از تشخیص های افتراقی، پزشکان به ابزارهای عینی برای ارزیابی نوسانات حرکتی در بیماران مبتلا به PD نیاز دارند. این ابزارهای ارزیابی شده می توانند رویکرد شخصی تری را برای درمان ارائه دهند و به پزشکان در تصمیم گیری در مورد درمان پزشکی و در صورت نیاز، مداخلات جراحی مغز و اعصاب کمک کنند."✍️مترجم: آرش سلطانی?منبع: IEEE Transactions on Instrumentation and Measurement?تاریخ: May, 2022#Artificial_Intelligence#Machine_Learning#Parkinson#IEEE Arash Soltani Arash Soltani Mon, 29 Aug 2022 00:29:01 +0430