Alzheimer: Forscher erstellen ein Modell zur Vorhersage des Rückgangs
Forscher vom Massachusetts Institute of Technology haben ein Modell für maschinelles Lernen entwickelt, mit dem die Rate des Alzheimer-bedingten kognitiven Rückgangs für bis zu zwei Jahre in der Zukunft vorhergesagt werden kann.
Die Alzheimer-Krankheit betrifft weltweit Millionen von Menschen, doch die Wissenschaftler wissen immer noch nicht, was sie verursacht.
Aus diesem Grund können Präventionsstrategien getroffen und verfehlt werden. Darüber hinaus haben Angehörige der Gesundheitsberufe keine klare Möglichkeit, die Rate des kognitiven Rückgangs einer Person zu bestimmen, sobald ein Arzt Alzheimer diagnostiziert hat.
Jetzt haben Forscher des Massachusetts Institute of Technology (MIT) in Cambridge in Zusammenarbeit mit Spezialisten anderer Institutionen ein Modell für maschinelles Lernen entwickelt, mit dem Spezialisten vorhersagen können, wie stark sich die kognitiven Funktionen einer Person bis zu zwei Jahre im Voraus ändern werden dieses Niedergangs etabliert.
Das Team - bestehend aus Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rückert und Prof. Rosalind Picard - wird sein Projekt später in dieser Woche auf der Konferenz Maschinelles Lernen für das Gesundheitswesen vorstellen. Die diesjährige Konferenz findet in Ann Arbor, MI, statt.
„Eine genaue Vorhersage des kognitiven Rückgangs von 6 auf 24 Monate ist entscheidend für die Gestaltung klinischer Studien“, erklärt Rudovic. Dies sei darauf zurückzuführen, dass „die Möglichkeit, zukünftige kognitive Veränderungen genau vorherzusagen, die Anzahl der Besuche des Teilnehmers verringern kann, was teuer und zeitaufwändig sein kann.“
"Abgesehen von der Unterstützung bei der Entwicklung eines nützlichen Arzneimittels", fährt der Forscher fort, "besteht das Ziel darin, die Kosten für klinische Studien zu senken, um sie erschwinglicher zu machen und in größerem Maßstab durchzuführen."
Verwenden von Meta-Lernen, um einen Rückgang vorherzusagen
Für die Entwicklung des neuen Modells verwendete das Team Daten der Alzheimer Disease Neuroimaging Initiative (ADNI), dem weltweit größten Datensatz für klinische Studien zur Alzheimer-Krankheit.
Über ADNI konnten die Forscher auf die Daten von ungefähr 1.700 Personen zugreifen - einige mit und einige ohne Alzheimer-Krankheit -, die über einen Zeitraum von 10 Jahren gesammelt wurden.
Das Team hatte Zugang zu klinischen Informationen, einschließlich kognitiver Funktionsbewertungen der Teilnehmer, Gehirnscans, Daten zum DNA-Make-up von Personen und Messungen der Liquor cerebrospinalis, die Biomarker für die Alzheimer-Krankheit enthüllen.
In einem ersten Schritt entwickelten und testeten die Forscher ihr Modell des maschinellen Lernens anhand von Daten aus einer Untergruppe von 100 Teilnehmern. Es fehlten jedoch viele Daten zu dieser Kohorte. Daher beschlossen die Ermittler, einen anderen statistischen Ansatz zu verwenden, um die verfügbaren Daten der Kohorte so zu analysieren, dass die Analyse genauer wird.
Dennoch erreichte das neue Modell nicht die Genauigkeit, die die Entwickler erwartet hatten. Um es noch genauer zu machen, verwendeten die Forscher Daten aus einer anderen Unterkohorte von ADNI-Teilnehmern.
Dieses Mal entschied sich das Team jedoch dagegen, für alle das gleiche Modell anzuwenden. Stattdessen personalisierten sie das Modell so, dass es zu jedem Teilnehmer passte, und nahmen neue Daten auf, sobald sie nach jeder neuen klinischen Bewertung verfügbar wurden.
Mit diesem Ansatz stellten die Forscher fest, dass das Modell zu einer signifikant niedrigeren Fehlerrate in seinen Vorhersagen führte. Darüber hinaus schnitt es besser ab als bestehende Modelle für maschinelles Lernen, die auf klinische Daten angewendet wurden.
Dennoch gingen die Forscher noch einen Schritt weiter, um sicherzustellen, dass ihr Ansatz so wenig Fehler wie möglich zulässt. Anschließend entwickelten sie ein „Meta-Learning“ -Modell, mit dem der beste Ansatz zur Vorhersage der kognitiven Ergebnisse bei jedem Teilnehmer ausgewählt werden kann.
Dieses Modell wählt automatisch zwischen der Gesamtbevölkerung und dem personalisierten Ansatz und berechnet, welcher Ansatz zu einem bestimmten Zeitpunkt höchstwahrscheinlich die beste Vorhersage für eine bestimmte Person bietet.
Die Forscher fanden heraus, dass dieser Ansatz die Fehlerrate für Vorhersagen um weitere 50% reduzierte.
"Wir konnten kein einziges Modell oder keine feste Kombination von Modellen finden, die uns die beste Vorhersage geben könnten", erklärt Rudovic.
„Wir wollten also lernen, wie man mit diesem Meta-Lernschema lernt. Es ist wie ein Modell über einem Modell, das als Selektor fungiert und anhand von Metawissen trainiert wird, um zu entscheiden, welches Modell besser bereitgestellt werden soll. "
Ognjen Rudovic
In Zukunft strebt das Team eine Partnerschaft mit einem Pharmaunternehmen an, um dieses Modell in einer laufenden Alzheimer-Studie zu testen.
