开发和验证一个模型来预测阿尔茨海默病的进展

科学领域:

• 神经科学和人工智能 人工智能
• 生物医学信息学 生物医学信息学
• 老年学是指老年学的学科.

背景情况:

• 认知监测对于轻度认知障碍 (MCI) 和阿尔茨海默氏症痴呆症 (AD) 患者的有效护理规划至关重要.
• 认知衰退的准确预测有助于及时干预和管理策略.

研究的目的:

• 开发和验证一种机器学习模型,即弗洛里融合模型 (FFM),用于协助对认知功能的监测.
• 评估FFM对轻度认知障碍 (MCI) 到阿尔茨海默氏症痴呆症 (AD) 进展的预测准确度.

主要方法:

• 弗洛里融合模型 (FFM) 是使用机器学习算法 (支持向量机器,梯度增强,随机森林) 在澳大利亚成像,生物标志物和衰老生活方式 (AIBL) 研究的数据上开发的.
• 模型验证包括两个阶段:对238名参与者的交叉验证和对30名额外参与者的模拟/缺失数据试验.
• 认知能力下降的评估是使用临床痴呆症评分盒总和 (CDR-SB) 和迷你精神状态检查 (MMSE) 分数进行的.

主要成果:

• 在预测MCI-to-AD进展方面,FFM表现出强的表现,接收器操作特征曲线 (AUC-ROC) 下的中间面积为0.91.
• 对于三年认知预测,该模型的平均绝对误差 (MAE) 为CDR-SB的1.32和MMSE的1.51.
• 模拟和缺失数据试验显示,MCI转换为AD的准确率高达94%,CDR-SB得分预测的MAE为1.27-2.12.

结论:

• 弗洛里融合模型 (FFM) 显示了增强MCI和AD患者认知监测的巨大潜力.
• 通过更大的临床试验进行进一步的验证是必要的,以确定FFM作为广泛使用的临床级工具.