预测阿尔茨海默病的CSF核心生物标志物:一种多式联机机器学习方法
Anna Michela Gaeta1, María Quijada-López2, Ferran Barbé3,4
1Servicio de Neumología, Hospital Universitario Severo Ochoa, Leganés, Spain.
Frontiers in aging neuroscience
|July 11, 2024
概括
机器学习模型可以使用非侵入性睡眠数据预测阿尔茨海默病 (AD) 生物标志物. 这种方法为早期AD检测和风险评估提供了一个有希望的,具有成本效益的查工具.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 机器学习 机器学习
背景情况:
- 阿尔茨海默病 (AD) 诊断依赖于侵入性脑脊液 (CSF) 生物标志物,限制了它们在查中的使用.
- 睡眠障碍与AD病理学有关,这表明非侵入性生物标志物的潜力.
- 对抗阿尔茨海默病检测的多睡眠学 (PSG) 信号的定量分析尚未得到充分研究.
研究的目的:
- 评估一种多式机器学习 (ML) 方法来预测核心ADCSF生物标志物.
- 评估非侵入性定量睡眠脑电图 (EEG) 功能作为AD生物标志物的有效性.
- 为了确定ML是否可以使用可访问的数据识别AD神经病理.
主要方法:
- 招募了轻度中度AD患者进行PSG,CSF和血液生物标志物分析.
- 从PSG信号中提取了定量特征 (非线性,时间,频率域).
- 在临床变量 (CLINVAR),常规PSG (SLEEPVAR),定量PSG (PSGVAR) 和组合 (ALL) 特性上训练有素的ML算法.
主要成果:
- 梯度增强回归器在估计生物标志物水平方面表现最好.
- 综合特征子集 (ALL) 通常产生最少的训练错误.
- 在预测Aβ42方面,SLEEPVAR子集表现出色,而ALL最好预测p-tau和t-tau.
结论:
- 多模式ML有效地使用非侵入性数据预测早期AD的CSF生物标志物.
- 这种方法提供了一种可行且经济的AD风险查工具.
- 整合计算模型有助于临床决策和早期AD患者识别.
