发现阿尔茨海默病,帕金森病和其他痴呆症的重要诊断特征,使用可解释的关联挖掘方法

科学领域:

• 神经科学和计算生物学
• 公共卫生和流行病学

背景情况:

• 阿尔茨海默病和相关痴呆症 (ADRD) 影响着数百万人,但研究往往缺乏多样性.
• 现有的研究依赖于死后组织或临床试验,限制了现实世界的适用性和包容性.
• 电子健康记录 (EHR) 提供了一个研究多样化,现实世界的患者群体的机会.

研究的目的:

• 利用EHR数据识别与三种类型的神经退行性疾病 (NDD) 相关的风险特征:阿尔茨海默病 (AD),帕金森病 (PD) 和其他痴呆症 (OD).
• 为了比较各种机器学习 (ML) 方法在发现这些风险特征方面的有效性.
• 分析不同ML方法所识别的独特和重叠的特征,以了解它们的优点和局限性.

主要方法:

• 来自宾夕法尼亚医学院70,420名ADRD患者队列的EHR数据的分析.
• 应用各种机器学习 (ML) 技术,包括单变量和多变量方法.
• 对ML方法准确度的比较分析以及它们对AD,PD和OD的特征.

主要成果:

• 机器学习模型被用来识别不同神经退行性疾病 (NDD) 的风险特征.
• 统一的ML方法成功地确定了AD,PD和OD特有的罕见和临床显著特征.
• 在所有ML方法中一致识别的特征代表了NDD最强大的指标.

结论:

• 电子健康数据是包容性ADRD研究的宝贵资源,补充了传统方法.
• 不同的ML方法在识别NDD的风险特征方面具有明显的优势,单变量方法在发现罕见的临床相关因素方面表现出色.
• 在多种ML方法中识别的强大特征为NDD风险提供了可靠的见解.