کلید درمان انواع اعتیاد در مغز پیدا شد / عکس

اساس عصبی تمایلات و هوس‌های انسان به خوبی درک نشده است، اما یک پژوهش جدید توسط دانشمندان دانشگاه ییل، دارتموث و مرکز ملی تحقیقات علمی فرانسه (CNRS)، الگوی مغزی پایدار یا نشانگر عصبی را برای میل به مواد مخدر و غذا شناسایی کرده است.

کشف با الگوریتم یادگیری ماشینی

امروزه پزشکان، بسیاری از بیماری‌ها را با شناسایی نشانگرهای بیولوژیکی در یک بیمار تشخیص می‌دهند؛ برای مثال دیابت با آزمایش نشانگر خونی به نام A1C تشخیص داده می‌شود.

هِدی کوبر(Hedy Kober)، دانشیار روانپزشکی در دانشکده پزشکی دانشگاه ییل توضیح داد: یکی از مزایای داشتن یک شاخص بیولوژیکی پایدار برای یک بیماری این است که می‌توانید آزمایش را روی هر فردی انجام دهید و بگویید که آن بیماری را دارد یا ندارد و ما تاکنون چنین چیزی را برای آسیب شناسی روانی و مطمئناً برای اعتیاد نداشتیم.

کوبر و همکارانش تصمیم گرفتند تا تعیین کنند که آیا می‌توانند نشانگر معادلی برای هوس و ولع پیدا کنند یا خیر. آنها تصمیم گرفتند از یک الگوریتم یادگیری ماشینی برای تجزیه و تحلیل فعالیت مغز استفاده کنند. به ‌طور دقیق، آن‌ها این فرضیه را آزمایش کردند که افرادی که چیزی را هوس می‌کنند، ممکن است الگویی مشترک از فعالیت مغزی داشته باشند. بنابراین، اگر چنین باشد، یک الگوریتم یادگیری ماشینی می‌تواند آن الگو را شناسایی کند و از آن برای پیش‌بینی سطوح ولع مصرف در افراد بر اساس تصاویر مغزی استفاده کند.

درمان اختلال مصرف مواد با کشف این نشانگر عصبی

پژوهشگران می‌گویند، الگویی از فعالیت مغز را شناسایی کرده‌اند که می‌تواند برای پیش‌بینی شدت میل به مواد مخدر و غذا تنها با استفاده از تصاویر fMRI استفاده شود. این الگوی تازه مشاهده‌شده که «امضای هوس عصبی زیست‌شناختی» (NCS) نامیده می‌شود، شامل فعالیت در آن نواحی مغز است که قبلاً با اعتیاد مرتبط دانسته شده‌اند.

آن‌ها این کار را با استفاده از داده‌های تصویربرداری تشدید مغناطیسی عملکردی(fMRI) و ارزیابی‌های خودگزارش‌شده از میل و هوس ۹۹ داوطلب انجام دادند که برخی از آنها مصرف کننده مواد مخدر بودند و برخی دیگر نه.

دانشمندان در حالی که داوطلبان، تصاویری از داروها و غذاها را مشاهده می‌کردند، داده‌های مغزی آنها را جمع‌آوری و همچنین میزان هوس تناول و مصرف اقلامی که می‌دیدند را ارزیابی کردند.

"آنها تصمیم گرفتند از یک الگوریتم یادگیری ماشینی برای تجزیه و تحلیل فعالیت مغز استفاده کنند"به گفته دانشمندان، این الگوی جدید برای بسیاری از مواد مختلف مشاهده شد.

کوبر توضیح داد: این واقعاً یک نشانگر زیستی برای ولع و اعتیاد است. این کشف، درکی واقعاً دقیق از نحوه تعامل این مناطق از مغز و پیش‌بینی تجربه ذهنی ولع به ما می‌دهد.

با این حال، اگرچه NCS نوید زیادی برای ایجاد درمان‌های پزشکی و روش‌های تشخیصی جدید نشان می‌دهد، کوبر می‌گوید که هنوز برای استفاده بالینی آماده نیست و نیاز به تأیید بیشتر دارد. وی گفت که گام بعدی، درک شبکه‌ای از مناطق مغزی مرتبط با NCS است تا مشخص شود آیا این الگو می‌تواند پیش‌بینی کند که افراد چگونه به درمان‌های اختلالات مصرف مواد پاسخ می‌دهند یا خیر.

وی افزود: امید ما این است که مغز و به طور خاص NCS به عنوان یک شاخص بیولوژیکی پایدار به ما این امکان را بدهد که نه تنها تشخیص دهیم که چه کسی دارای اختلال مصرف مواد است، بلکه تفاوت در نتایج افراد را نیز متوجه شویم و بدانیم که چه کسانی به درمان‌های خاص پاسخ خواهند داد.

این کشف می‌تواند به درک بهتر اختلالات ولع مصرف، توسعه درمان‌های جدید و همچنین بهبود روش‌های تشخیص اختلالات مصرف مواد کمک کند. همچنین این کشف با توسعه درمان‌های جدید، می‌تواند گامی حیاتی در جهت بهبود شرایط زندگی افرادی باشد که از اعتیاد رنج می‌برند و این مشکل را در نطفه حل کند.

۵۸۵۸