زمینه و هدف : بیماری مولتیپل اسکلروزیس یک بیماری التهابی مزمن و اتوایمون است که منجر به ناتوانی‌های پیشرفته و سبب کاهش فعالیت‌های روزانه و عملکرد فرد می‌شود. این بیماری با طیف وسیعی از نشانه‌های جسمی بروز می‌یابد. این مطالعه به منظور تعیین اثر تن‌آرامی بر نشانه‌های جسمی زنان مبتلا به مولتیپل اسکلروزیس انجام شد. روش بررسی : در این کارآزمایی بالینی 50 زن مبتلا به مولتیپل اسکلروزیس به صورت تصادفی در دو گروه 25 نفری کنترل و مداخله قرار گرفتند. در گروه مداخله تکنیک تن‌آرامی (ترکیبی از تکنیک جاکوبسن و بنسون) طی 4 هفته، دو بار در هفته به مدت 40 دقیقه برای هر بیمار انجام شد. گروه کنترل تحت دریافت مراقبت و درمان‌های معمول دارویی طبق دستور پزشک معالج قرار گرفت. داده‌ها بااستفاده از مقیاس سنجش شدت خستگی (FSS) و مقیاس عددی درد (NRS) قبل، بلافاصله و دو ماه بعد از انجام مطالعه در گروه‌ها جمع‌آوری شد. یافته‌ها : میانگین نمره شدت خستگی در سه بار اندازه گیری (قبل، بلافاصله و دو ماه بعد از مداخله) یکسان نبود و روند زمانی بر نمره شدت خستگی موثر بود (P<0.05). قبل از مداخله تفاوت آماری معنی‌داری بین میانگین نمره خستگی دو گروه یافت نشد؛ اما بلافاصله بعد از مداخله و دو ماه پس از مداخله میانگین نمره خستگی به‌طور معنی‌دار کمتر از قبل بود (P<0.05). میانگین نمره شدت درد در سه بار اندازه‌گیری یکسان نبود و روند زمانی بر نمره شدت درد موثر بود (P<0.05). میانگین نمره شدت درد به مرور زمان در گروه تن آرامی نسبت به گروه کنترل کاهش بیشتری داشت. هر چند میانگین نمره شدت درد بین دو گروه قبل، بلافاصله و دو ماه پس از مداخله تفاوت آماری معنی‌دار نداشت. نتیجه‌گیری : تکنیک تن‌آرامی به‌عنوان یک روش کم هزینه، ایمن و ساده در کاهش خستگی و درد بیماران مبتلا به مولتیپل اسکلروزیس موثر است.

زمینه و هدف: روش‌های تشخیص زودهنگام بیماری آلزایمر، به دلیل هزینه‌های زیاد مراقبتی و درمانی، غیرقطعی بودن روش‌های موجود درمانی و همچنین آینده نگران کننده بیمار، امری ضروری به‌نظر می‌رسد. این مطالعه به منظور تشخیص بیماری آلزایمر از روی تصاویر MRI با استفاده از هوش مصنوعی انجام شد.

روش بررسی: در این مطالعه، یک سیستم کامپیوتری تشخیص زودهنگام بیماری آلزایمر به کمک الگوریتم‌های یادگیری ماشین، در چهارچوب فرآیند تشخیص به کمک کامپیوتر ارایه شده است. میدان تصادفی شرطی و شبکه عصبی عمیق Inception برای تشخیص این بیماری بر روی تصاویر MRI مغزی وفق داده شده‌اند. از آنجا که بافت هیپوکامپوس، جزء اولین بافت‌هایی است که تحت تاثیر بیماری آلزایمر قرار می‌گیرد؛ لذا برای تشخیص زودهنگام این بیماری، ابتدا به تعیین محدوده هیپوکامپوس بین سایر بافت‌های مغزی اقدام و سپس با توجه به میزان تحت تاثیر قرار گرفتن این بافت، به تشخیص بیماری مبادرت گردید. میدان تصادفی شرطی توانست با دقت زیاد، قطعه‌های هیپوکامپوس با اشکال مختلف را از هر سه مقطع مغزی استخراج کند. این قطعات، مبنایی برای استخراج ویژگی توسط شبکه عمیق قرار می‌گیرند. این روش بر روی داده‌های استاندارد ADNI آزمایش و کارایی آن نشان داده شد. شبکه Inception استفاده شده، شبکه‌ای است که از پیش، بر روی مجموعه داده بسیار بزرگ ImageNet آموزش داده شده است. یکی از مراحل مهم، انتقال دانش به مسأله در دست بررسی است. برای تسهیل این امر، از افزون‌سازی داده‌ها که مطابق با شکل و ساختار هیپوکامپوس طراحی شده، استفاده گردید.

یافته‌ها: روش اجرا شده در این مطالعه، در حالت دوکلاسه آلزایمر در مقابل کنترل سلامت به دقت 98.51% و برای حالت دوکلاسه اختلال شناختی خفیف در مقابل کنترل سلامت به دقت 93.41%  دست یافت که به ترتیب 2.56% و 8.41% افزایش دقت در مقایسه با روش‌های رقیب معرفی شده در سایر مقالات است.

نتیجه‌گیری: نتایج این مطالعه نشان داد که استفاده از هوش مصنوعی با توجه به تصاویر MRI در تشخیص بیماری آلزایمر دقت بالایی دارد.