Modelos de aprendizaje automático del espectro de la enfermedad de Alzheimer utilizando análisis de sangre

Área de la Ciencia:

• Bioquímica
• Neurociencia
• Aprendizaje automático

Sus antecedentes:

• El diagnóstico tradicional de la enfermedad de Alzheimer (AD) utiliza biomarcadores de líquido cefalorraquídeo y plasma como beta-amiloide y tau fosforilada.
• Estos biomarcadores establecidos representan un enfoque limitado y basado en hipótesis para la intervención de la enfermedad.

Objetivo del estudio:

• Investigar el potencial del análisis basado en datos de biomarcadores sanguíneos para detectar el deterioro cognitivo preclínico.
• Identificar analitos y características sanguíneas clave predictivas de deterioro cognitivo leve estable (sMCI) y AD en comparación con controles sanos (HC).

Principales métodos:

• Se aplicó análisis basado en datos a datos demográficos, alelo E (APOE) ε4 y 82 biomarcadores sanguíneos.
• Se utilizaron algoritmos de clasificación de aprendizaje automático con datos de grupos de HC, sMCI y AD.

Principales resultados:

• Se identificaron diferencias significativas en los analitos relacionados con el colesterol entre los grupos.
• APOE ε4, aminoácidos, lipoproteínas y ácidos grasos fueron las características más influyentes para la clasificación de ML.
• Los metabolitos de la glucólisis, los aminoácidos y los ácidos grasos distinguieron eficazmente sMCI y AD de HC.

Conclusiones:

• Las alteraciones sistémicas asociadas con la demencia son detectables en etapas preclínicas utilizando biomarcadores sanguíneos y modelos de ML.
• Los biomarcadores metabólicos y de inflamación en sangre pueden servir como una biosignatura para la evaluación de la salud cognitiva.