机器学习预测痴呆症转化为轻度认知障碍:一项为期两到六年的随访研究

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物统计学 生物统计学

背景情况:

• 轻度认知障碍 (MCI) 是正常衰老和痴呆之间的过渡阶段.
• 准确预测痴呆症转化为MCI对于及时干预和临床试验分层至关重要.
• 目前的预测方法需要改进,以提高准确性和临床效用.

研究的目的:

• 评估各种机器学习 (ML) 分类算法对MCI患者痴呆转换的预测性能.
• 评估临床和神经心理学数据的有用性,包括随时间的变化,用于预测痴呆风险.
• 确定最有效的ML模型来预测MCI患者的痴呆症进展.

主要方法:

• 利用了哥德堡MCI研究的数据 (347名患者,84人转化为痴呆症).
• 将11个ML算法应用于54个临床预测因子,随后包括认知变化的三角分数.
• 使用精度,kappa,AUC-ROC,灵敏度和特异性评估模型性能.

主要成果:

• 性能最好的模型 (LASSO,山脊,弹性网,随机森林,SVM) 实现了高精度 (≥0.87) 和AUC-ROC (≥0.90) 没有德尔塔分数.
• 包括三角分数提高了性能,和弹性网的精度达到0.90,AUC-ROC为0.94.
• 弹性净模型显示了强大的预测值 (PPV=0.85,NPV=0.92),提高了灵敏度和特异性.

结论:

• 整合临床数据和认知变化的机器学习模型有效预测痴呆症转化为MCI.
• 这些模型显示了改善记忆诊所临床决策和患者管理的巨大潜力.
• 这些发现支持使用先进的ML技术来早期识别患有痴呆症高风险的人.