通过四个独特的子组预测轻度认知障碍患者的进展,由无监督学习算法获得
Anuschka Silva-Spínola1,2,3, Inês Baldeiras2,3, Isabel Santana2,3,4
1Centre for Informatics and Systems, Department of Informatics Engineering, University of Coimbra, Coimbra, Portugal.
Journal of Alzheimer's disease : JAD
|April 3, 2025
概括
计算方法确定了四个不同的轻度认知障碍 (MCI) 子组. 这些分类改善了预后,有助于个性化临床监测潜在的阿尔茨海默病 (AD) 进展.
科学领域:
- 神经学 神经学
- 计算生物学 计算生物学
- 老年学是一门学科.
背景情况:
- 轻度认知障碍 (MCI) 呈现出显著的异质性,需要精确的分类和预后模型.
- 在临床研究中,数据驱动的计算模型对于分类,分层和预测痴呆症进展至关重要.
- 准确地描述MCI对于了解其多样化的临床轨迹至关重要.
研究的目的:
- 实施计算技术来表征MCI患者.
- 使用机器学习开发阿尔茨海默病 (AD) 的多状态进展模型.
- 为了提高预后准确性,在MCI人群中识别不同的子组.
主要方法:
- 利用机器学习技术,包括缩小维度和分区集群,在科因布拉大学医院 (n=544) 和ADNI (n=497) 的数据集上.
- 将多态非马尔科夫模型应用于纵向数据 (n=351) 以估计过渡概率.
- 采用计算方法进行数据分析和子组识别.
主要成果:
- 确定了四个不同的MCI子组:增加认知储备,怀疑AD病理,心理表现和心血管风险因素.
- 在确定的子组中观察到进展率的变化.
- 预计在怀疑AD病理的5个月内发展为AD痴呆,在心理表现的66个月内发展为AD痴呆.
结论:
- 计算方法显著提高了MCI患者的表征和预后.
- 确定了四个MCI子组,为改善临床监测和个性化护理提供了一个框架.
- 这些发现强调了数据驱动方法在理解和管理认知衰退方面的实用性.


