バイオマーカー

科学分野:

• 神経学
• 人工知能
• バイオマーカー発見

背景:

• 脳アミロイド負担の上昇を伴う個人を特定することは、アルツハイマー病（AD）の臨床試験および患者ケアにとって重要です。
• 現在のスクリーニング方法は、患者にとって費用がかかり、負担となる可能性があります。
• 非侵襲的で費用効果の高いスクリーニングツールの開発は、AD研究の優先事項です。

研究 の 目的:

• 脳アミロイド負担の上昇を予測するための機械学習モデルを開発および検証すること。
• ライフスタイル要因とウェアラブルセンサーデータの有効性をアミロイド負担予測に評価すること。
• ADのリスクがある個人のための非侵襲的スクリーニングツールを提供すること。

主な方法:

• 軽度認知障害（MCI）または主観的記憶愁訴を有する118人の参加者（USUKIコホート）からの前向きコホート研究データ。
• 3つの機械学習モデル（カーネルサポートベクターマシン、Elastic Net、ロジスティック回帰）の開発。
• 客観的に測定されたライフスタイル要因、人口統計学的特性、およびウェアラブルセンサーデータの利用。

主要な成果:

• ライフスタイル要因、人口統計学的データ、ウェアラブルセンサーを組み込んだElastic Netモデルは、受信者操作特性曲線下面積0.79を達成しました。
• ライフスタイル要因のみを使用したモデルの平均曲線下面積は0.70でした。
• 22の変数が、開発されたすべての機械学習モデルに一貫して同定されました。

結論:

• 機械学習モデルは、MCI患者における脳アミロイド負担の上昇を効果的に予測します。
• これらのモデルは、容易に入手可能で非侵襲的な変数を利用しており、病院への受診の必要性を減らします。
• このアプローチは、アルツハイマー病の早期検出とリスク層別化のための有望なツールを提供します。