Alzheimers: Forskare skapar modell för att förutsäga nedgång
Forskare från Massachusetts Institute of Technology har utvecklat en maskininlärningsmodell som kan förutsäga frekvensen av Alzheimersrelaterad kognitiv nedgång i upp till två år i framtiden.
Alzheimers sjukdom drabbar miljontals människor världen över, men forskarna vet fortfarande inte vad som orsakar det.
Av denna anledning kan förebyggande strategier drabbas och missas. Dessutom har sjukvårdspersonal inget tydligt sätt att bestämma en persons kognitiva nedgång när en läkare har diagnostiserat dem med Alzheimers.
Nu har forskare från Massachusetts Institute of Technology (MIT) i Cambridge - i samarbete med specialister från andra institutioner - utvecklat en maskininlärningsmodell som kan göra det möjligt för specialister att förutsäga hur mycket en persons kognitiva funktion kommer att förändras upp till två år i förväg. av denna nedgång blir etablerad.
Teamet - tillverkat av Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert och professor Rosalind Picard - kommer att presentera sitt projekt senare i veckan på konferensen Machine Learning for Healthcare. Årets konferens kommer att äga rum i Ann Arbor, MI.
"Noggrann förutsägelse av kognitiv nedgång från 6 till 24 månader är avgörande för utformningen av kliniska prövningar", förklarar Rudovic. Detta tillägger han eftersom "[att] kunna förutsäga exakt framtida kognitiva förändringar kan minska antalet besök deltagaren måste göra, vilket kan vara dyrt och tidskrävande."
"Förutom att hjälpa till att utveckla ett användbart läkemedel", fortsätter forskaren, "målet är att hjälpa till att minska kostnaderna för kliniska prövningar för att göra dem mer överkomliga och gjort i större skala."
Använda metalärande för att förutsäga nedgång
För att utveckla sin nya modell använde teamet data från Alzheimers Disease Neuroimaging Initiative (ADNI), som är världens största dataset för klinisk prövning av Alzheimers sjukdom.
Genom ADNI kunde forskarna komma åt data från cirka 1700 personer - några med och andra utan Alzheimers sjukdom - som samlats in under 10 år.
Teamet hade tillgång till klinisk information, inklusive deltagarnas kognitiva funktionsbedömningar, hjärnskanningar, data angående individers DNA-smink och mätningar av cerebrospinalvätska, som avslöjar biomarkörer för Alzheimers sjukdom.
Som ett första steg utvecklade och testade forskarna sin maskininlärningsmodell med hjälp av data från en undergrupp på 100 deltagare. Det saknades dock mycket data om denna kohort. Så beslutade utredarna att använda en annan statistikstrategi för att analysera kohortens tillgängliga data på ett sätt som skulle göra analysen mer exakt.
Ändå nådde den nya modellen inte den noggrannhetsnivå som utvecklarna hade förväntat sig. För att göra det ännu mer exakt använde forskarna data från en annan undergrupp av ADNI-deltagare.
Men den här gången beslutade laget att inte tillämpa samma modell på alla. Istället anpassade de modellen för att passa varje deltagare och tog in nya data när de blev tillgängliga efter varje ny klinisk bedömning.
Med detta tillvägagångssätt fann forskarna att modellen ledde till en betydligt lägre felprocent i sina förutsägelser. Dessutom fungerade det bättre än befintliga modeller för maskininlärning som tillämpades på kliniska data.
Ändå gick forskarna ett steg längre för att se till att deras tillvägagångssätt lämnade utrymme för så lite fel som möjligt. De fortsatte med att utveckla en ”meta learning” -modell som kan välja det bästa sättet att förutsäga kognitiva resultat hos varje deltagare.
Denna modell väljer automatiskt mellan den totala befolkningen och det personliga tillvägagångssättet och beräknar vilken som sannolikt kommer att erbjuda den bästa förutsägelsen för en viss individ vid en viss tidpunkt.
Forskarna fann att detta tillvägagångssätt minskade felfrekvensen för förutsägelser med så mycket som ytterligare 50%.
"Vi kunde inte hitta en enda modell eller en fast kombination av modeller som kunde ge oss den bästa förutsägelsen", förklarar Rudovic.
”Så vi ville lära oss att lära oss med detta metaläringsschema. Det är som en modell ovanpå en modell som fungerar som en väljare, utbildad med metakunskap för att bestämma vilken modell som är bättre att distribuera. ”
Ognjen Rudovic
Framöver syftar teamet till att bilda ett partnerskap med ett läkemedelsföretag för att testa denna modell i en pågående Alzheimers sjukdomsförsök.
