通过机器学习从大型电子健康记录中识别阿尔茨海默病的进展亚现象

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 遗传学 是一个遗传学.

背景情况:

• 阿尔茨海默病 (AD) 在其进展中表现出显著的异质性.
• 了解疾病亚型对于开发有针对性的诊断和治疗策略至关重要.
• 纵向患者数据为识别疾病进展模式提供了丰富的来源.

研究的目的:

• 开发和验证一个机器学习框架,dynaPhenoM,用于识别阿尔茨海默病进展的临床上有意义的亚表型.
• 分析纵向的现实世界患者记录,以表征不同的疾病轨迹.
• 探索疾病进展的异质性,从轻度认知障碍 (MCI) 到AD.

主要方法:

• dynaphenoM框架是为了从患者访问中提取临床主题而开发的.
• 使用时间意识的潜阶级分析来描述患者的亚现象型.
• 在三个美国患者数据库中进行了验证,其中包括3952名阿尔茨海默病患者.

主要成果:

• 确定了从MCI到AD的疾病进展的五种不同的亚现象.
• 常见的亚型包括呼吸系统,肌肉骨系统,心血管系统和内分泌/代谢系统.
• 还观察到一个队列特定的消化子类型,突出显示了区域差异.

结论:

• 这项研究成功地揭示了阿尔茨海默病从MCI发展为AD的复杂性和异质性.
• 已识别的亚现象型提供了对疾病病理生理学的更深入的理解.
• 这些发现支持通过改进的诊断和治疗方法来促进阿尔茨海默病的精准医学.