Alzheimers: Forskere lager modell for å forutsi tilbakegang
Forskere fra Massachusetts Institute of Technology har utviklet en maskinlæringsmodell som kan forutsi frekvensen av Alzheimers-relatert kognitiv tilbakegang i opptil 2 år i fremtiden.
Alzheimers sykdom rammer millioner av mennesker over hele verden, men forskere vet fortsatt ikke hva som forårsaker det.
Av denne grunn kan forebyggingsstrategier treffes og savnes. Videre har helsepersonell ingen klar måte å bestemme en persons kognitive tilbakegang når en lege har diagnostisert dem med Alzheimers.
Nå har forskere fra Massachusetts Institute of Technology (MIT) i Cambridge - i samarbeid med spesialister fra andre institusjoner - utviklet en maskinlæringsmodell som kan tillate spesialister å forutsi hvor mye en persons kognitive funksjon vil endre seg opptil 2 år i forveien. av at denne nedgangen ble etablert.
Teamet - laget av Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert og Prof. Rosalind Picard - vil presentere sitt prosjekt senere denne uken på konferansen Machine Learning for Healthcare. Årets konferanse vil finne sted i Ann Arbor, MI.
"Nøyaktig prediksjon av kognitiv tilbakegang fra 6 til 24 måneder er avgjørende for utforming av kliniske studier," forklarer Rudovic. Dette, tilføyer han, skyldes at "[å] kunne presis forutsi fremtidige kognitive endringer kan redusere antall besøk deltakeren må gjøre, noe som kan være dyrt og tidkrevende."
"Bortsett fra å hjelpe med å utvikle et nyttig medikament," fortsetter forskeren, "er målet å bidra til å redusere kostnadene ved kliniske studier for å gjøre dem rimeligere og utført i større skala."
Bruke metalæring for å forutsi tilbakegang
For å utvikle sin nye modell brukte teamet data fra Alzheimers Disease Neuroimaging Initiative (ADNI), som er verdens største datasett for kliniske studier i Alzheimers sykdom.
Gjennom ADNI var forskerne i stand til å få tilgang til dataene til omtrent 1700 mennesker - noen med og noen uten Alzheimers sykdom - samlet over 10 år.
Teamet hadde tilgang til klinisk informasjon, inkludert deltakernes kognitive funksjonsvurderinger, hjerneskanninger, data angående individers DNA-sminke og målinger av cerebrospinalvæske, som avslører biomarkører for Alzheimers sykdom.
Som et første trinn utviklet og testet forskerne sin maskinlæringsmodell ved hjelp av data fra en undergruppe på 100 deltakere. Imidlertid manglet det mange data om denne kohorten. Så etterforskerne bestemte seg for å bruke en annen statistisk tilnærming for å analysere kohortens tilgjengelige data på en måte som ville gjøre analysen mer nøyaktig.
Likevel nådde den nye modellen ikke nøyaktighetsnivået som utviklerne hadde forventet. For å gjøre det enda mer nøyaktig, brukte forskerne data fra en annen undergruppe av ADNI-deltakere.
Denne gangen bestemte teamet seg imidlertid mot å bruke den samme modellen på alle. I stedet personaliserte de modellen for å passe til hver deltaker, og tok inn nye data etter hvert som de ble tilgjengelige etter hver nye kliniske vurdering.
Med denne tilnærmingen fant forskerne at modellen førte til en betydelig lavere feilrate i sine spådommer. Videre presterte det bedre enn eksisterende maskinlæringsmodeller brukt på kliniske data.
Forskerne gikk likevel et skritt videre for å sikre at tilnærmingen deres ga rom for så lite feil som mulig. De fortsatte med å utarbeide en “meta learning” -modell som kan velge den beste tilnærmingen for å forutsi kognitive resultater hos hver deltaker.
Denne modellen velger automatisk mellom den totale befolkningen og den personlige tilnærmingen, og beregner hvilken som mest sannsynlig vil gi den beste forutsigelsen for et gitt individ på et bestemt tidspunkt.
Forskerne fant at denne tilnærmingen reduserte feilraten for spådommer med så mye som ytterligere 50%.
"Vi kunne ikke finne en eneste modell eller en fast kombinasjon av modeller som kunne gi oss den beste spådommen," forklarer Rudovic.
“Så vi ønsket å lære å lære med denne metalæringsordningen. Det er som en modell på toppen av en modell som fungerer som en velger, trent med metakunnskap for å bestemme hvilken modell som er bedre å distribuere. "
Ognjen Rudovic
Fremover har teamet som mål å danne et partnerskap med et farmasøytisk selskap for å teste denne modellen i en pågående Alzheimers sykdomsforsøk.
