バイオマーカー

科学分野:

• 神経科学
• 計算神経科学
• 老年医学

背景:

• アルツハイマー病（AD）は、世界的な人口高齢化により、医療システムに大きな負担をもたらしている。
• ADの管理には、認知低下の継続的なモニタリングと早期検出が不可欠である。
• 脳波（EEG）は、携帯型認知状態モニタリングの方法を提供する可能性がある。

研究 の 目的:

• 認知低下を示す主要な脳波（EEG）特徴を特定する。
• EEGデータから認知状態を推定するために機械学習（ML）を使用する実現可能性を評価する。
• EEG特徴とミニメンタルステート検査（MMSE）スコアを相関させる。

主な方法:

• 多様な国際コホートから510人の高齢者を対象とした横断研究。
• 定常EEG記録と対応するMMSEスコア（4〜30の範囲）を収集した。
• EEGスペクトル、複雑性、および接続性特徴を使用して認知状態を推定する勾配ブースティングML回帰モデルを開発し、1つずつ除外する交差検証によって検証した。

主要な成果:

• MMSEスコアとEEG特徴との間に有意な相関が見られた：Hjorth Complexity（左側頭葉、r=0.58）、アルファコヒーレンス（左右側頭葉、r=0.48）、およびベータ後頭部端周波数（r=0.42）。
• 80個の組み合わせEEG特徴が認知状態の予測因子として同定された。
• MLモデルは、平均誤差2.53 MMSEポイント（R²=0.80）で認知状態を推定した。

結論:

• 特定のEEG特徴、特に側頭葉と後頭葉の活動は、認知状態を確実に予測する。
• 本研究の多様なコホートは一般化可能性を高めるが、より低いMMSE範囲でのさらなるデータが必要である。
• ウェアラブルEEGを使用した将来のMLアプリケーションは、特にリソースが限られた環境での認知機能のモニタリングを自動化できる可能性がある。