AI na Magonjwa Adimu ya Neva na Magonjwa ya Neva na Kinga ── 2026-10-14

Makala mpya kuhusu magonjwa adimu ya neva na ya kinga-neva na AI, zilizokusanywa kutoka kwa milisho ya majarida, PubMed (iliyotafutwa katika majarida yote) na OpenAlex (faharasa ya umma inayotumika badala ya Google Scholar), zilizohukumiwa na Jev (AI inayotoa hukumu za lugha): utafiti asilia, AI ikiwa kiini, ni kundi lipi kati ya makundi 9 ya magonjwa, matibabu au majaribio, kisha zikapangwa kwa umuhimu hadi kikomo cha kila siku. Majarida hayachujwi kwa kipengele cha athari; kila makala huonyesha kiwango sawa na IF cha jarida lake (wastani wa miaka miwili wa kunukuliwa wa OpenAlex) na tarehe ya thamani hiyo. Kila ingizo huonyesha muhtasari asilia kamili.

Soma kulingana na ugonjwa: Utafiti wa msingi（0） · ALS（0） · Ugonjwa wa Parkinson（1） · Magonjwa ya kurithi ya kuharibika kwa neva（0） · Misuli na neva（0） · Sclerosis nyingi（0） · NMOSD/MOGAD（0） · Myasthenia gravis（1） · Encephalitis ya autoimmune/CIDP/GBS（0）

Utafiti wa kuharibika kwa neva na kinga ya neva na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

ALS: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Ugonjwa wa Parkinson na parkinsonism: matibabu, majaribio na AI

• Uchambuzi wa Jeni Zinazoonyesha Usemi Tofauti katika Alzheimer's, Parkinson's, na Shida ya Akili ya Frontotemporal Kwa Kutumia Algoriti ya Kujifunza kwa Mashine
  CRC Press eBooks · 2026-10-12 · Ushahidi: Kabla ya kliniki (uchambuzi wa in silico wa seti za data za umma za usemi wa jeni)
  Muhtasari

  Magonjwa ya ubongo kama vile Fronto-Temporal Dementia (FTD), Parkinson&s;s (PD), na Alzheimer&s;s (AD) ni magonjwa ya kuharibika kwa neva yanayosababisha uvimbe wa neva na kukunjika vibaya kwa protini. Hata hivyo, utambuzi wa magonjwa hayo bado ni changamoto kutokana na utata wa data na tofauti za data. Utafiti huu unabaini saini za molekuli kwa kutumia mbinu za kujifunza kwa mashine (ML) kwa kutumia seti za data za microarray zilizochaguliwa. Seti za data zilikusanywa kutoka National Center for Biotechnology Information (NCBI) Gene Expression Omnibus (GEO). Kwa kuzingatia uchambuzi unaotegemea R kwenye GEO (GEO2R) pamoja na kifurushi cha Limma, jeni zilizoonyeshwa (|logFC| ≥ 0.5; adj.P.Val ≤ 0.05) zilipatikana. Modeli ya ML yenye Support Vector Machine (SVM) ilitengenezwa kwa kufunza na kuthibitisha jeni hizi. SVM ilionyesha usahihi wa juu sana pamoja na recall. Ramani za joto zilihakikisha ubora wa data. Kazi hii inasisitiza uwezo wa viashiria vya kibayolojia vya kitakwimu na kujifunza kwa pamoja katika kutofautisha wasifu wa usemi wa jeni mahususi kwa magonjwa, hivyo kuwezesha uundaji wa utambuzi unaotegemea jeni. Siku zijazo, ili kuimarisha ufasiri wa modeli na kuiboresha, data ya muundo wa jenomu inaweza kujumuishwa. Hii husaidia kutambua jeni zisizo za kawaida kwa hitimisho zaidi.

  IF ya jarida: haijulikani (haikuweza kulinganishwa)
  Rejeleo: Manohar Mathkunti N, Rangaswamy S, Varsha VP, Bhat S. Analysis of Differentially Expressed Genes in Alzheimer's, Parkinson's, and Frontotemporal Dementia Using Machine Learning Algorithm. Interdisciplinary Approaches to Sustainable Research and Development in Science, Technology, and Socio-Economic Studies. 2026 Oct 12 [Epub kabla ya kuchapishwa]. doi:10.1201/9781042035762-123.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Parkinson →

Magonjwa ya kurithi ya kuharibika kwa neva: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Magonjwa ya misuli na neva (udhaifu wa misuli, SMA): matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Sclerosis nyingi: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

NMOSD na MOGAD: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.

Myasthenia gravis: matibabu, majaribio na AI

• Mfumo wa Ujifunzaji wa Mashine Unaoweza Kufafanuliwa kwa Tathmini Binafsi ya Haja ya Huduma Kubwa kwa Wagonjwa wa Myasthenia Gravis Kulingana na Aina ya Maonyesho na Viashiria vya Uvimbe.
  QJM : jarida la kila mwezi la Chama cha Madaktari · 2026-10-12 · Ushahidi: Utafiti wa uchunguzi wa nyuma
  Muhtasari

  ASILI: Utambuzi wa mapema wa kuzidi kwa ugonjwa wa myasthenia gravis (MG) kwa kiwango kikali unaohitaji kulazwa katika kitengo cha huduma kubwa (ICU) bado ni changamoto kutokana na ugonjwa huu kuwa na tofauti nyingi sana. Mifumo iliyopo mara chache hujumuisha uainishaji wa aina za ugonjwa (phenotype), jambo linalopunguza uwezo wa kufasiriwa na manufaa ya kiafya. LENGO: Utafiti huu ulilenga kuunda mfumo wa kujifunza kwa mashine (ML) unaoweza kuelezeka ili kutathmini vigezo hatari mahususi kwa kila aina ya ugonjwa na kutabiri kulazwa ICU kwa wagonjwa wenye MG. MUUNDO NA NJIA: Utafiti huu wa kurudi nyuma ulijumuisha wagonjwa 319 wenye MG waliolazwa hospitalini. Tulitumia vigezo vya kiafya na alama za uvimbe wa mwili mzima kwa uundaji wa mfumo wa ML. Makundi madogo yaliainishwa kabla kulingana na hali ya thymoma na umri wakati ugonjwa ulipoanza. Matokeo ya msingi yalikuwa hitaji la huduma kubwa wakati wa kulazwa hospitalini. Utendaji wa mfumo ulitathminiwa. SHapley Additive exPlanations (SHAP) ilitumika kufasiri vipengele vya jumla na vya mgonjwa mmoja mmoja. MATOKEO: Kati ya kulazwa 319, wagonjwa 33 (10.3%) walihitaji huduma ya ICU. Mifumo minne ya ML ilifunzwa kwa uthibitishaji wa mikunjo 3 uliowekwa ndani ya mwingine. eXtreme Gradient Boosting ilifanya vizuri zaidi (AUC: 0.94). SHAP ilipanga uainishaji wa kiafya wa MGFA, maambukizi wakati wa kulazwa, kiashiria cha uzito wa mwili (body mass index), na viashiria vya uvimbe kama vitabiri vikuu. Uchambuzi wa makundi madogo ulibaini mifumo mahususi kwa kila aina ya ugonjwa, ikiwemo mielekeo ya SHAP iliyo kinyume kwa alama za uvimbe kati ya kundi lenye thymoma na lisilo na thymoma, pamoja na mpangilio tofauti kati ya makundi ya umri tofauti wa kuanza kwa ugonjwa. Maelezo ya kibinafsi yanayotegemea SHAP yalionyesha tofauti mahususi kwa mgonjwa katika mpangilio wa hatari na mwelekeo wa vipengele vya kutabiri. Kikokotoo cha mtandaoni kiliundwa kusaidia utekelezaji wa mfumo huo kiafya kwa wakati halisi, na hivyo kuwezesha uainishaji wa hatari. HITIMISHO: Mfumo wa kujifunza kwa mashine unaoweza kuelezeka, unaounganisha vipengele vya kiafya na viashiria vya uvimbe wa mwili mzima, hutabiri kwa uhakika kulazwa ICU kwa wagonjwa wa MG na hufichua mifumo ya hatari mahususi kwa kila aina ya ugonjwa, hivyo kuwezesha uainishaji wa hatari wa kibinafsi katika usimamizi wa MG.

  Sawa na IF ya jarida: 0.5 (wastani wa miaka 2 wa citedness wa OpenAlex, thamani ya 2026-10-13, ilipatikana 2026-10-14; si IF rasmi ya Clarivate)
  Rejeleo: Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Explainable Machine Learning Model for Personalized Assessment of the Need for Intensive Care in Patients with Myasthenia Gravis Based on Phenotype and Inflammatory Markers. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub kabla ya kuchapishwa]. doi:10.1093/qjmed/hcag289.
  Imekaguliwa: Muhtasari pekee

Tazama makala zote 1 za Myasthenia gravis →

Encephalitis ya autoimmune, CIDP na ugonjwa wa Guillain-Barre: matibabu, majaribio na AI

Hakuna andiko jipya lenye sifa kwa toleo hili.