使用纵向EEG数据预测从缓解性轻度认知障碍到阿尔茨海默病的进展:一项为期12个月的队列研究

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 轻度认知障碍 (aMCI) 是阿尔茨海默病 (AD) 的前体,需要早期检测和监测.
• 纵向数据收集对于了解aMCI中的疾病进展和指导干预措施至关重要.

研究的目的:

• 调查纵向电脑电图 (EEG) 特征对预测aMCI进展的有用性.
• 根据EEG数据,评估机器学习模型在将aMCI患者分为稳定 (SMCI) 和渐进 (PMCI) 组的性能.

主要方法:

• 一个MCI个体的前性队列被跟踪了一年,定期收集EEG数据.
• 在多个时间点从EEG中提取了光谱,非线性和功能连接特征.
• 构建了纵向特征并用于训练机器学习分类器,包括支持矢量机 (SVM),以预测一年的结果.

主要成果:

• 在SMCI和PMCI组之间观察到EEG特征的明显动态趋势.
• SVM分类器实现了高预测性能,准确度为94.92%,AUC为93.25%,灵敏度为90.20%,特异性为98.80%.
• 纵向EEG特征显著提高了机器学习模型的预测能力.

结论:

• 纵向EEG特征分析是监测aMCI进展的有希望的方法.
• 结合纵向EEG趋势的机器学习模型可以准确预测aMCI转换为PMCI,支持早期AD诊断和干预.