Alzheimers: Forskere skaber model til at forudsige tilbagegang
Forskere fra Massachusetts Institute of Technology har udviklet en maskinlæringsmodel, der kunne forudsige frekvensen af Alzheimers-relateret kognitiv tilbagegang i op til 2 år i fremtiden.
Alzheimers sygdom rammer millioner af mennesker over hele verden, men forskere ved stadig ikke, hvad der forårsager det.
Af denne grund kan forebyggelsesstrategier blive ramt og savnet. Desuden har sundhedspersonale ingen klar måde at bestemme en persons kognitive tilbagegang på, når en læge har diagnosticeret dem med Alzheimers.
Nu har forskere fra Massachusetts Institute of Technology (MIT) i Cambridge - i samarbejde med specialister fra andre institutioner - udviklet en maskinlæringsmodel, der kan give specialister mulighed for at forudsige, hvor meget en persons kognitive funktion vil ændre sig op til 2 år i forvejen. af dette fald at blive etableret.
Holdet - lavet af Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert og Prof. Rosalind Picard - præsenterer deres projekt senere på ugen på Machine Learning for Healthcare-konferencen. Årets konference finder sted i Ann Arbor, MI.
"Nøjagtig forudsigelse af kognitiv tilbagegang fra 6 til 24 måneder er afgørende for design af kliniske forsøg," forklarer Rudovic. Dette tilføjer han, at "[at] være i stand til nøjagtigt at forudsige fremtidige kognitive ændringer kan reducere antallet af besøg, som deltageren skal foretage, hvilket kan være dyrt og tidskrævende."
”Bortset fra at hjælpe med at udvikle et nyttigt lægemiddel," fortsætter forskeren, "er målet at hjælpe med at reducere omkostningerne ved kliniske forsøg for at gøre dem mere overkommelige og færdige i større skalaer."
Brug af metalæring til at forudsige tilbagegang
For at udvikle deres nye model brugte teamet data fra Alzheimers Disease Neuroimaging Initiative (ADNI), som er verdens største datasæt for kliniske forsøg med Alzheimers sygdom.
Gennem ADNI var forskerne i stand til at få adgang til dataene for cirka 1.700 mennesker - nogle med og andre uden Alzheimers sygdom - indsamlet over 10 år.
Holdet havde adgang til klinisk information, herunder deltagernes kognitive funktionsvurderinger, hjerneskanninger, data vedrørende individers DNA-makeup og målinger af cerebrospinalvæske, der afslører biomarkører for Alzheimers sygdom.
Som et første skridt udviklede og testede forskerne deres maskinlæringsmodel ved hjælp af data fra en undergruppe på 100 deltagere. Der manglede dog mange data om denne kohorte. Så efterforskerne besluttede at bruge en anden statistisk tilgang til at analysere kohortens tilgængelige data på en måde, der ville gøre analysen mere præcis.
Alligevel nåede den nye model ikke det nøjagtighedsniveau, som dens udviklere havde forventet. For at gøre det endnu mere nøjagtigt brugte forskerne data fra en anden undergruppe af ADNI-deltagere.
Denne gang besluttede holdet dog ikke at anvende den samme model på alle. I stedet personaliserede de modellen til at passe til hver deltager og tog nye data i, da de blev tilgængelige efter hver ny klinisk vurdering.
Med denne tilgang fandt forskerne, at modellen førte til en signifikant lavere fejlrate i sine forudsigelser. Desuden fungerede det bedre end eksisterende maskinlæringsmodeller anvendt på kliniske data.
Alligevel gik forskerne et skridt videre for at sikre, at deres tilgang gav plads til så lidt fejl som muligt. De fortsatte med at udvikle en "meta learning" -model, der kan vælge den bedste tilgang til at forudsige kognitive resultater hos hver deltager.
Denne model vælger automatisk mellem den samlede befolkning og den personaliserede tilgang og beregner, hvilken der højst sandsynligt vil tilbyde den bedste forudsigelse for et givet individ på et bestemt tidspunkt.
Forskerne fandt ud af, at denne tilgang reducerede fejlprocenten for forudsigelser med så meget som yderligere 50%.
"Vi kunne ikke finde en enkelt model eller en fast kombination af modeller, der kunne give os den bedste forudsigelse," forklarer Rudovic.
”Så vi ønskede at lære at lære med denne meta-læringsplan. Det er som en model oven på en model, der fungerer som en vælger, trænet ved hjælp af metakendskab til at afgøre, hvilken model der er bedre at implementere. "
Ognjen Rudovic
Fremadrettet har teamet til formål at danne et partnerskab med et farmaceutisk firma for at teste denne model i et igangværende Alzheimers sygdomsforsøg.
