Alzheimer: onderzoekers creëren een model om achteruitgang te voorspellen
Onderzoekers van het Massachusetts Institute of Technology hebben een machine-learning-model ontwikkeld dat de snelheid van aan Alzheimer gerelateerde cognitieve achteruitgang tot wel twee jaar in de toekomst kan voorspellen.
De ziekte van Alzheimer treft miljoenen mensen over de hele wereld, maar wetenschappers weten nog steeds niet wat de oorzaak ervan is.
Om deze reden kunnen preventiestrategieën wisselvallig zijn. Bovendien hebben beroepsbeoefenaren in de gezondheidszorg geen duidelijke manier om de mate van cognitieve achteruitgang van een persoon vast te stellen nadat een arts de diagnose Alzheimer heeft gesteld.
Nu hebben onderzoekers van het Massachusetts Institute of Technology (MIT) in Cambridge - in samenwerking met specialisten van andere instellingen - een machine-leermodel ontwikkeld waarmee specialisten kunnen voorspellen hoeveel het cognitief functioneren van een persoon tot twee jaar van tevoren zal veranderen. van deze achteruitgang werd gevestigd.
Het team - bestaande uit Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert en prof.Rosalind Picard - zal later deze week hun project presenteren op de Machine Learning for Healthcare-conferentie. De conferentie van dit jaar vindt plaats in Ann Arbor, MI.
"Een nauwkeurige voorspelling van cognitieve achteruitgang van 6 tot 24 maanden is van cruciaal belang voor het ontwerpen van klinische onderzoeken", legt Rudovic uit. Dit, voegt hij eraan toe, is omdat "[b] e door in staat te zijn om toekomstige cognitieve veranderingen nauwkeurig te voorspellen, het aantal bezoeken dat de deelnemer moet afleggen, kan verminderen, wat duur en tijdrovend kan zijn."
"Afgezien van het helpen ontwikkelen van een nuttig medicijn", vervolgt de onderzoeker, "is het doel om de kosten van klinische onderzoeken te helpen verlagen om ze betaalbaarder te maken en op grotere schaal te kunnen uitvoeren."
Meta-learning gebruiken om achteruitgang te voorspellen
Om hun nieuwe model te ontwikkelen, gebruikte het team gegevens van het Alzheimer’s Disease Neuroimaging Initiative (ADNI), de grootste dataset voor klinische onderzoeken naar de ziekte van Alzheimer ter wereld.
Via ADNI hadden de onderzoekers toegang tot de gegevens van ongeveer 1700 mensen - sommigen met en sommigen zonder de ziekte van Alzheimer - die gedurende 10 jaar waren verzameld.
Het team had toegang tot klinische informatie, waaronder beoordelingen van de cognitieve functie van de deelnemers, hersenscans, gegevens over de DNA-samenstelling van individuen en metingen van het cerebrospinale vocht, die biomarkers voor de ziekte van Alzheimer onthullen.
Als eerste stap ontwikkelden en testten de onderzoekers hun machine learning-model met behulp van gegevens van een subgroep van 100 deelnemers. Er ontbraken echter veel gegevens over dit cohort. Daarom besloten de onderzoekers een andere statistische benadering te gebruiken om de beschikbare gegevens van het cohort te analyseren op een manier die de analyse nauwkeuriger zou maken.
Toch haalde het nieuwe model niet het nauwkeurigheidsniveau dat de ontwikkelaars hadden verwacht. Om het nog nauwkeuriger te maken, gebruikten de onderzoekers gegevens van een andere subgroep van ADNI-deelnemers.
Dit keer besloot het team echter niet hetzelfde model op iedereen toe te passen. In plaats daarvan personaliseerden ze het model zodat het bij elke deelnemer paste en namen nieuwe gegevens op zodra deze beschikbaar kwamen na elke nieuwe klinische beoordeling.
Met deze aanpak ontdekten de onderzoekers dat het model leidde tot een significant lager foutenpercentage in zijn voorspellingen. Bovendien presteerde het beter dan bestaande machine-learningmodellen die op klinische gegevens zijn toegepast.
Toch gingen de onderzoekers nog een stap verder om ervoor te zorgen dat hun aanpak zo min mogelijk fouten liet. Ze bedachten een 'meta-leer'-model dat de beste benadering kan kiezen om cognitieve resultaten bij elke deelnemer te voorspellen.
Dit model kiest automatisch tussen de totale populatie en de gepersonaliseerde benadering, waarbij wordt berekend welke waarschijnlijk de beste voorspelling zal bieden voor een bepaald individu op een bepaald moment in de tijd.
De onderzoekers ontdekten dat deze aanpak het foutenpercentage voor voorspellingen met maar liefst 50% verminderde.
"We konden geen enkel model of vaste combinatie van modellen vinden die ons de beste voorspelling konden geven", legt Rudovic uit.
“Dus we wilden leren hoe we konden leren met dit meta-leerprogramma. Het is als een model bovenop een model dat fungeert als een selector, getraind met behulp van meta-kennis om te beslissen welk model beter kan worden geïmplementeerd. "
Ognjen Rudovic
In de toekomst wil het team een partnerschap aangaan met een farmaceutisch bedrijf om dit model te testen in een lopend onderzoek naar de ziekte van Alzheimer.
