Alcheimera slimība: Pētnieki izveido modeli, lai prognozētu lejupslīdi
Masačūsetsas Tehnoloģiskā institūta pētnieki ir izstrādājuši mašīnmācīšanās modeli, kas nākotnē līdz 2 gadiem varētu paredzēt ar Alcheimera slimību saistītās kognitīvās pasliktināšanās ātrumu.
Alcheimera slimība ietekmē miljoniem cilvēku visā pasaulē, tomēr zinātnieki joprojām nezina, kas to izraisa.
Šī iemesla dēļ profilakses stratēģijas var tikt nokavētas. Turklāt veselības aprūpes speciālistiem nav skaidra veida, kā noteikt personas kognitīvās pasliktināšanās ātrumu, tiklīdz ārsts ir diagnosticējis viņiem Alcheimera slimību.
Tagad pētnieki no Masačūsetsas Tehnoloģiskā institūta (MIT) Kembridžā - sadarbībā ar citu institūciju speciālistiem - ir izstrādājuši mašīnmācīšanās modeli, kas speciālistiem varētu ļaut paredzēt, cik daudz cilvēka kognitīvā darbība mainīsies līdz pat 2 gadiem iepriekš šīs lejupslīdes nostiprināšanās.
Komanda, kuras sastāvā ir Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert un prof. Rosalind Picard, vēlāk šonedēļ iepazīstinās ar mašīnmācīšanos veselības aprūpē. Šī gada konference notiks Ann Arbor, MI.
"Precīza kognitīvās pasliktināšanās prognozēšana no 6 līdz 24 mēnešiem ir kritiska, lai izstrādātu klīniskos pētījumus," skaidro Rudovičs. Viņš piebilst, ka tas ir tāpēc, ka "[spēja precīzi prognozēt nākotnes kognitīvās izmaiņas" var samazināt dalībnieka apmeklējumu skaitu, kas var būt dārgs un laikietilpīgs. "
"Papildus palīdzībai izstrādāt noderīgas zāles," turpina pētnieks, "mērķis ir palīdzēt samazināt klīnisko pētījumu izmaksas, lai padarītu tās pieejamākas un veiktas plašākā mērogā."
Meta mācīšanās izmantošana, lai prognozētu lejupslīdi
Lai izstrādātu savu jauno modeli, komanda izmantoja datus no Alcheimera slimības neiroizveidotās attēlveidošanas iniciatīvas (ADNI), kas ir lielākā Alcheimera slimības klīnisko pētījumu datu kopa pasaulē.
Izmantojot ADNI, pētnieki varēja piekļūt aptuveni 1700 cilvēku datiem - dažiem ar Alcheimera slimību un dažiem bez tiem -, kas apkopoti 10 gadu laikā.
Komandai bija piekļuve klīniskajai informācijai, tostarp dalībnieku kognitīvās darbības novērtējumiem, smadzeņu skenēšanai, datiem par indivīdu DNS sastāvu un cerebrospināla šķidruma mērījumiem, kas atklāj Alcheimera slimības biomarķierus.
Vispirms pētnieki izstrādāja un pārbaudīja savu mašīnmācīšanās modeli, izmantojot datus no 100 dalībnieku apakšgrupas. Tomēr par šo kohortu bija daudz trūkstošu datu. Tātad pētnieki nolēma izmantot citu statistikas pieeju, lai analizētu kohortas pieejamos datus tādā veidā, kas padarītu analīzi precīzāku.
Tomēr jaunais modelis nesasniedza precizitātes līmeni, kādu tā izstrādātāji bija gaidījuši. Lai padarītu to vēl precīzāku, pētnieki izmantoja datus no citas ADNI dalībnieku apakšgrupas.
Tomēr šoreiz komanda nolēma pret viena modeļa piemērošanu visiem. Tā vietā viņi personalizēja modeli, lai tas būtu piemērots katram dalībniekam, uzņemot jaunus datus, kad tie kļuva pieejami pēc katra jaunā klīniskā novērtējuma.
Izmantojot šo pieeju, pētnieki atklāja, ka modelis savās prognozēs noveda pie ievērojami zemāka kļūdu līmeņa. Turklāt tas darbojās labāk nekā esošie mašīnmācīšanās modeļi, kas piemēroti klīniskajiem datiem.
Tomēr pētnieki devās soli tālāk, lai pārliecinātos, ka viņu pieeja atstāja vietu pēc iespējas mazākām kļūdām. Viņi turpināja izstrādāt “meta mācīšanās” modeli, kas var izvēlēties labāko pieeju, lai prognozētu kognitīvos rezultātus katram dalībniekam.
Šis modelis automātiski izvēlas starp kopējo populāciju un personalizēto pieeju, aprēķinot, kurš no tiem, visticamāk, piedāvās vislabāko prognozi jebkuram indivīdam noteiktā laika posmā.
Pētnieki atklāja, ka šī pieeja samazināja kļūdu līmeni prognozēs pat par papildu 50%.
"Mēs nevarējām atrast nevienu modeli vai fiksētu modeļu kombināciju, kas varētu dot vislabāko prognozi," skaidro Rudovičs.
“Tāpēc mēs vēlējāmies iemācīties mācīties, izmantojot šo meta mācību shēmu. Tas ir kā modelis virs modeļa, kas darbojas kā atlasītājs un apmācīts, izmantojot meta zināšanas, lai izlemtu, kuru modeli labāk izmantot. "
Ognjens Rudovičs
Turpmāk komandas mērķis ir izveidot partnerību ar farmācijas uzņēmumu, lai pārbaudītu šo modeli notiekošajā Alcheimera slimības izmēģinājumā.
