زوال عقل یک چالش مهم مراقبت‌های بهداشتی جهانی است که بیش از ۵۵ میلیون نفر در سراسر جهان به آن مبتلا هستند و هزینه درمان آن سالانه ۸۲۰ میلیارد دلار است.
پیش‌بینی می‌شود تعداد مبتلایان به این بیماری، طی ۵۰ سال آینده تقریباً سه برابر شود.
علت اصلی زوال عقل در ۶۰ تا ۸۰ درصد موارد بیماری آلزایمر است و به همین دلیل، تشخیص زودهنگام از اهمیت فراوانی برخوردار است؛ زیرا احتمال تأثیر درمان‌ها را افزایش می‌هد.
اما تشخیص زودهنگام و پیش‌آگهی (پیش‌بینی آینده بیماری) زوال عقل ممکن است بدون استفاده از آزمایش‌های تهاجمی یا گران‌قیمت مانند اسکن توموگرافی گسیل پوزیترون (یک روش تصویربرداری که به وسیله آن می‌توان عملکرد متابولیک یا بیوشیمیایی بافت‌ها و اعضای بدن را به تصویر کشید) یا پونکسیون کمری (نمونه‌برداری از مایع مغزی نخاعی یا تزریق داروها با سوزن و سرنگ) دقیق نباشد؛ ضمن اینکه این آزمایش‌ها در همه آزمایشگاه‌های حافظه انجام نمی‌شوند.
در نتیجه، ممکن است درباره حدود یک‌سوم بیماران تشخیص اشتباه داده شود و تشخیص بیماری سایرین نیز خیلی دیر شده باشد و درمان برای آن‌ها مؤثر نباشد.
یک گروه پژوهشی به سرپرستی دانشمندان بخش روانشناسی دانشگاه کمبریج انگلیس یک مدل یادگیری ماشین را طراحی کرده‌اند که قادر است پیش‌بینی کند فردی که دچار مشکلات خفیف حافظه و تفکر است به بیماری آلزایمر مبتلا می‌شود یا خیر.
این پژوهش که در eClinicalMedicine منتشر شده، نشان می‌دهد این ابزار دقیق‌تر از ابزارهای تشخیصی بالینی فعلی است.
اعضای این گروه پژوهشی معتقدند این روش جدید نیاز به آزمایش‌های تشخیصی تهاجمی و پرهزینه را کاهش می‌دهد و در عین حال باعث می‌شود درمان، زودتر نتیجه دهد.