臨床症状 | JoVE Visualize

科学分野:

神経科学;認知科学;機械学習

背景:

視覚的短期記憶結合タスク（VSTMBT）のような遠隔神経認知評価ツールは、アルツハイマー病（AD）のリスク評価に有望です。;機械学習（ML）は、ADリスクメカニズムへの洞察を提供することで、これらのツールを強化できます。;本研究では、MLと回帰を用いて、自己申告変数（self-reported variables）がVSTMBTのパフォーマンスに与える影響を調査します。

研究の目的:

自己申告変数（self-reported variables）が視覚的短期記憶結合タスク（VSTMBT）のパフォーマンスに与える影響を評価すること。;潜在的な病状を示唆する弱い結合効果の予測因子を特定すること。;ADリスク評価における回帰モデルと機械学習モデルの有効性を比較すること。

主な方法:

参加者は、結合コスト（binding-cost）に基づいて、ストロングバインダー（SB）またはウィークバインダー（WB）に分類されました。;二変量および多変量回帰分析により、有意な変数が特定されました（p < 0.05）。;機械学習モデル（SVM、RF、DT）が開発され、80/20%の訓練テスト分割を使用して検証されました。

主要な成果:

PDQ5スコア、多疾患、MHCが高いほど、WB効果のオッズが高いことと有意に関連していました。;睡眠の質が一貫していることは、WBのオッズが低いこととわずかに関連していました。;ランダムフォレスト（RF）モデルは81.0%の精度を達成し、回帰モデルと重複するリスク因子を特定しました。

結論:

MLと回帰を統合することで、ADリスク層別化のためのVSTMBT予測因子を効果的に特定できます。;MLは、集団ベースのAD評価において、従来の回帰手法を補完します。;将来の研究では、個々の予測と早期AD検出のためにこれらのモデルを適用することに焦点を当てるべきです。