同时检测认知障碍和粉样蛋白阳性,使用多式机器学习支持的数字认知评估

科学领域:

• 神经学 神经学
• 生物技术是生物技术.
• 医疗信息学 医疗信息学

背景情况:

• 早期识别阿尔茨海默病 (AD) 病理和认知障碍对于有效治疗至关重要.
• 数字认知评估 (DCAs) 为机器学习 (ML) 模型收集数据提供了一种快速的方法.
• DCAs可能会简化临床工作流程并改善认知功能评估.

研究的目的:

• 为了评估多式联运,支持ML的DCA,数字时钟和回忆 (DCR) 的有效性.
• 评估DCR同时检测认知障碍和估计大脑粉样β (Aβ) 状态的能力.
• 为了比较DCR的性能与传统的认知测试和血液生物标志物.

主要方法:

• 这项研究涉及来自Bio-Hermes-001临床研究的930名参与者.
• 使用了一种支持ML的多式联机DCA,数字时钟和回忆 (DCR).
• 性能与传统评估 (MMSE,RAVLT,Cognivue) 和血液生物标志物进行了比较.

主要成果:

• 血液生物标志物在分类认知障碍方面显示出有限的准确性,但对Aβ状态有效.
• 传统的认知评估在分类Aβ状态方面表现不佳.
• 基于DCR的ML模型准确地分类了认知障碍 (AUC=0.83) 和Aβ-PET状态 (AUC=0.81).

结论:

• 像DCR这样的数字认知评估可以准确有效地检测与AD病理学相关的认知障碍.
• 这项技术可以使医疗保健系统和初级保健提供者能够促进迅速的治疗决策.
• 利用数字技术用于先进的指标可以提高AD的诊断能力.