使用国家卫生研究院工具箱 (NIHTB) 预测大脑粉样蛋白状况,以评估神经和行为功能
1Hiroko H. Dodge and Sudeshna Das, Massachusetts General Hospital and Harvard Medical School, Boston, MA 02114, E-mail: hdodge@mgh.harvard.edu, sdas5@mgh.harvard.edu.
The journal of prevention of Alzheimer's disease
|July 24, 2024
概括
机器学习模型可以使用NIH工具箱预测阿尔茨海默病 (AD) 粉样蛋白状况. 这些模型在识别粉素阴性个体方面显示出更高的准确性,有助于评估治疗资格.
科学领域:
- 神经学 神经学
- 生物标志物发现发现
- 机器学习在医学中的应用
背景情况:
- 粉样β (Aβ) 斑块是阿尔茨海默病 (AD) 的一个关键指标.
- 预测大脑粉样蛋白状况对于符合新兴抗粉样蛋白疗法的资格至关重要.
研究的目的:
- 开发和评估用于预测大脑粉样蛋白状况的机器学习模型.
- 利用来自阿尔茨海默病和认知衰老 (ARMADA) 研究的先进可靠测量数据.
主要方法:
- 采用机器学习 (LASSO和随机森林) 来预测粉样蛋白状况.
- 使用国家卫生研究院神经和行为功能评估工具箱 (NIHTB) 评分 (认知,情感,运动,感觉) 和人口统计数据.
- 使用接收器操作曲线下的面积 (AUROC) 评估模型性能.
主要成果:
- 随机森林模型实现了0.74的AUROC,超过了LASSO模型 (AUROC 0.68).
- 随机森林模型显示高特异性 (0.88),但较低的灵敏度 (0.50) 识别粉样蛋白阳性.
- 关键预测因素包括认知测试 (记忆,处理速度),听力,气味识别和运动功能 (步行速度,耐力).
结论:
- 美国国家卫生研究院工具箱提供了一种高效和标准化的方法来测量AD生物标志物.
- 开发的模型在识别粉素阴性个体方面更有效,支持在临床决策中使用它们.
更多相关视频
11:01Quantitative Autoradiographic Method for Determination of Regional Rates of Cerebral Protein Synthesis In Vivo
Published on: June 28, 2019
7.0K
07:45Author Spotlight: Optimizing Dendritic Spine Analysis for Balanced Manual and Automated Assessment in the Hippocampus CA1 Apical Dendrites
Published on: September 27, 2024
2.1K
