জ্ঞানীয় পতন নেটওয়ার্ক বিশ্লেষণের মাধ্যমে সনাক্ত করা যেতে পারে, গবেষকরা বলছেন

আমরা সবাই সময়ে সময়ে আমাদের গাড়ির চাবি বা চশমা হারিয়ে ফেলি। বেশিরভাগ লোকেরা এটিকে বার্ধক্যের একটি স্বাভাবিক অংশ হিসাবে হাসবে এবং ঠিকই তাই। কিন্তু অন্যদের জন্য, জ্ঞানীয় পতন একটি উদ্বেগজনক কিন্তু ক্লিনিক্যালি সূক্ষ্ম পদক্ষেপের সাথে শুরু হতে পারে জ্ঞানীয় দুর্বলতার দিকে, তা তুলনামূলকভাবে হালকা বা আলঝেইমার রোগের মতো গুরুতর।

মানব মস্তিষ্কের বিশাল জটিলতা জ্ঞানীয় পতনের প্রাথমিক নির্ণয় অর্জন করা কঠিন করে তোলে, যা চিকিত্সা এবং প্রতিরোধের জন্য সম্ভাব্য গুরুত্বপূর্ণ প্রভাব ফেলে।এই জন্য বিশেষ করে সত্য বিষয়গত জ্ঞানীয় পতনযেখানে একজন ব্যক্তি স্মৃতি বা জ্ঞানীয় ক্ষমতা সম্পর্কে উদ্বেগ প্রকাশ করেছেন কিন্তু কোনো পক্ষপাত প্রদর্শন করেননি জ্ঞানীয় পরীক্ষা চিকিত্সক দ্বারা পরিচালিত.

এটাই আসল কথা কাগজ ডায়েরিতে কর্টেক্স লেখক: নিকোলাস গ্লেনডন, কনকর্ডিয়ার ডক্টরাল ছাত্র এবং নাটালি ফিলিপস, মনোবিজ্ঞান বিভাগের অধ্যাপক।যেখানে তারা ব্যবহার করেছে নতুন প্রযুক্তি যাকে নেটওয়ার্ক বিশ্লেষণ বলা হয় যা অধ্যয়ন করতে পারে যে এটি বিষয়গত জ্ঞানীয় পতনের সাথে সম্পর্কিত সূক্ষ্ম পরিবর্তনগুলি প্রকাশ করতে পারে যা স্ট্যান্ডার্ড পরীক্ষার বিশ্লেষণ দ্বারা সনাক্ত করা যায় না।

নেটওয়ার্ক অ্যাপ্রোচ জ্ঞানীয় কার্যক্ষমতাকে জ্ঞানীয় ক্ষমতার একটি সংযুক্ত নেটওয়ার্ক হিসাবে মডেল করে যা ভেরিয়েবল বা নোডের একটি সেটের মধ্যে সম্পর্ককে প্রতিফলিত করে। এখানে নোডগুলি হল একাধিক নিউরোসাইকোলজিকাল পরীক্ষার ফলাফল, সেইসাথে বয়স, লিঙ্গ এবং শিক্ষার মতো অংশগ্রহণকারীদের বৈশিষ্ট্য।

দুটি বৃহৎ কানাডিয়ান ডেটাসেট একত্রিত থেকে পরিসংখ্যানগত বিশ্লেষণের মাধ্যমে, গবেষকরা জ্ঞানীয়ভাবে স্বাভাবিক (CN) হিসাবে শ্রেণীবদ্ধ বা ব্যক্তিগত জ্ঞানীয় পতন (SCD) শক্তির সাথে নির্ণয় করা ব্যক্তিদের মধ্যে নোডের মধ্যে সম্পর্ক কল্পনা করতে সক্ষম হয়েছেন। ), হালকা জ্ঞানীয় প্রতিবন্ধকতা (MCI) বা আলঝেইমার রোগ (AD)।

“নোডগুলি প্রান্ত দ্বারা সংযুক্ত, যা তাদের মধ্যে শর্তসাপেক্ষ সমিতি,” গ্লেনডন বলেন। “এজগুলি কীভাবে এই ভেরিয়েবলগুলি একসাথে কাজ করে তা প্রতিফলিত করে৷ তারা কি ইতিবাচক বা নেতিবাচকভাবে সম্পর্কযুক্ত? নেটওয়ার্কটি আমাদেরকে প্রান্তগুলির সম্পৃক্ততার ডিগ্রির মাধ্যমে এই সংস্থাগুলির শক্তি দেখায়৷ এটি ফলাফলগুলির একটি অন্তর্নির্মিত ভিজ্যুয়াল যোগাযোগ।”

পতন দেখে

মার্জড ডাটাবেস ব্যবহার করে নেটওয়ার্ক তৈরি করার পরে, গবেষকরা দুটি নোড চিহ্নিত করেছেন যেগুলি নেটওয়ার্কের বাকি অংশে সর্বাধিক প্রভাব ফেলেছিল: কার্যনির্বাহী ফাংশন এবং প্রক্রিয়াকরণের গতি পরীক্ষায় পারফরম্যান্স। দুজনেই বয়সের সাথে সাথে কমতে পরিচিত।

যাইহোক, এই দুটি নোডের শক্তি জ্ঞানীয়ভাবে স্বাভাবিক থেকে বিষয়গত জ্ঞানীয় পতনে উল্লেখযোগ্যভাবে হ্রাস পেয়েছে। হালকা জ্ঞানীয় প্রতিবন্ধকতা গ্রুপ এই ক্রমান্বয়ে গ্রেডিয়েন্ট SCD কে CN এবং MCI এর মধ্যবর্তী পর্যায়ে রাখে।

“আমরা এটিকে খুব আকর্ষণীয় মনে করেছি কারণ এটি ব্যক্তিগত বিষয়গত উদ্বেগের বিষয়ে কিছু প্রকাশ করেছে যা স্বাভাবিক পরিসংখ্যান বিশ্লেষণে দৃশ্যমান নয়,” গ্লেনডন ব্যাখ্যা করেন।

“এক্সিকিউটিভ ফাংশন এবং প্রক্রিয়াকরণের গতি গুরুত্বপূর্ণ জ্ঞানীয় ক্ষমতা কারণ তারা অন্যান্য ক্ষমতাগুলিতে অবদান রাখে (যেমন, ভাষা, মনোযোগ) এবং একজন ব্যক্তির দৈনন্দিন কার্যকারিতাকে সমর্থন করার অবিচ্ছেদ্য অঙ্গ৷ আমরা জানি যে দক্ষতা বয়সের সাথে বৃদ্ধি পায় এবং কম হয়, তবে আমরা সেগুলিও দেখছি কিছু ধরণের প্রগতিশীল জ্ঞানীয় পতনের প্রাথমিক পর্যায়ে।”

বয়স সীমা

গবেষকরা বয়সের একটি গুরুত্বপূর্ণ ভূমিকাও উল্লেখ করেছেন।যদিও এটি সবচেয়ে শক্তিশালী ভবিষ্যদ্বাণীকারীদের মধ্যে একটি জ্ঞানীয় পতন, এবং এটি CN এবং SCD বিভাগে জ্ঞানীয় ক্ষমতার উপর একটি উল্লেখযোগ্য প্রভাব ফেলেছিল, যখন প্রভাব MCI বা AD বিভাগগুলিতে হ্রাস পায়।তাদের জন্য, অন্যান্য নোড জ্ঞানীয় ক্ষমতা আরও ভারীভাবে পরিমাপ করা হয়।

“অন্য কথায়, সমস্ত বিষয় বিবেচনা করা হয়, বয়স আল্জ্হেইমের রোগের কোন লক্ষণ ছাড়াই বয়স্ক প্রাপ্তবয়স্কদের জ্ঞানের উপর সবচেয়ে বেশি প্রভাব ফেলবে,” ফিলিপস বলেছেন, কনকর্ডিয়া বিশ্ববিদ্যালয়ের বার্ধক্য এবং ডিমেনশিয়া বিষয়ক সেন্সরি কগনিটিভ হেলথ রিসার্চ চেয়ার।

“কিন্তু যাদের এমসিআই বা আলঝেইমার রোগ নির্ণয় করা হয়েছে, তাদের ক্ষেত্রে এটি হয় না। তাদের জন্য, জ্ঞানীয় কার্যকারিতা রোগটি কতদূর অগ্রসর হয়েছে তার সাথে সম্পর্কিত, যেমন মন্ট্রিল কগনিটিভ টেস্টের মতো প্রমিত জ্ঞানীয় পরীক্ষা দ্বারা প্রমাণিত যা সাধারণ ব্যবস্থা দ্বারা নির্দেশিত। ক্লিনিকাল অবস্থার।”

গ্লেনডন বলেছেন নেটওয়ার্ক বিশ্লেষণ গবেষকদের মস্তিষ্কের কার্যকারিতাকে একটি সিস্টেম হিসাবে পরীক্ষা করতে সাহায্য করতে পারে, যা ইন্টারঅ্যাক্ট করে এমন বিচ্ছিন্ন ভেরিয়েবল হিসাবে নয়।

“এটি আমাদের লাইনের মধ্যে পড়তে সাহায্য করে কারণ আমরা দেখতে পারি কিভাবে সমস্ত ভেরিয়েবল একই সময়ে একে অপরের সাথে সম্পর্কিত,” তিনি বলেছিলেন। “আপনি একটি একক ডেটা উপাদানের মধ্যে কম সুস্পষ্ট মেট্রিক্স চয়ন করতে পারেন এবং পরিবর্তে তাদের মধ্যে পারস্পরিক সম্পর্কের উপর ফোকাস করতে পারেন।”