机器学习预测和阿尔茨海默病12个月认知衰退的风险分层使用常规临床和MRI数据

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 生物统计学 生物统计学

背景情况:

• 早期识别患有阿尔茨海默病 (AD) 认知能力下降的患者对于临床试验丰富和风险分层患者管理至关重要.
• 预测模型可以帮助预测短期的认知变化,改善患者护理和研究效率.

研究的目的:

• 开发和验证预后模型,用于预测阿尔茨海默病 (AD) 患者的12个月认知衰退.
• 将临床物流回归模型的性能与结合临床和MRI数据的随机森林模型进行比较.

主要方法:

• 利用了来自阿尔茨海默病神经成像计划 (ADNI) 队列的数据.
• 开发了一个临床后勤回归模型和一个随机森林模型,使用基线临床变量和MRI衍生体积测量.
• 采用五重分层交叉验证用于内部模型验证和临床实用性评估的决策曲线分析.

主要成果:

• 总共有306名患有基线AD的参与者被分析,其中42.8%在12个月内经历了显著的认知衰退 (MMSE≥3分).
• 临床模型的AUC达到0.755,而随机森林模型的AUC略高于0.773.
• 使用模型衍生概率进行风险分层,在三个风险级别中观察到明显的下降率 (13.2%,35.3%,67.2%).

结论:

• 开发的两种模型框架为阿尔茨海默病 (AD) 的12个月认知衰退提供了适度的预后准确性.
• 结合临床和MRI数据的随机森林模型与仅临床模型相比,显示出更高的性能和临床实用性.
• 虽然有希望,但在这些预后模型广泛临床实施之前,需要外部验证和局部重新校准.