«Наши проверенные модели прогнозирования позволяют прогнозировать исходные траектории клинического прогрессирования на ранних стадиях болезни Альцгеймера, что способствует расширению клинических исследований и различным приложениям», написала группа под руководством Вишваната Деванарайана, доктора философии, из Эйсаи в Натли, штат Нью-Джерси.
Модели для прогнозирования прогрессирования болезни Альцгеймера необходимы как для повышения эффективности клинических исследований, так и для мониторинга лечения пациентов. Но эта задача может оказаться сложной из-за различий между пациентами. Базовая когнитивная функция, которая включает клинические факторы, такие как запоминание слов и исполнительские навыки, а также показатели МРТ головного мозга или биомаркеры, объяснили авторы.
«Если такие исходные характеристики пациентов можно использовать коллективно для построения моделей прогностического прогнозирования для прогнозирования будущего клинического ухудшения состояния каждого пациента, такие прогнозы во время первоначального скрининга пациентов можно использовать для разработки оптимальных клинических испытаний и в качестве руководства для лечения, мониторинга и лечения. решения по уходу за пациентами в клинической практике и реальных ситуациях», они написали.
Исследователи исследовали, может ли ИИ помочь прогнозировать прогрессирование болезни Альцгеймера, создав модели прогнозирования машинного обучения с использованием обучающей когорты (934 пациента) и двух проверочных когорт (группа 1 — 235 пациентов и группа 2 — 421 пациент). Модели включали такие функции, как оценка когнитивных функций, статус APOE ε4 и демографические данные пациентов, а также данные МРТ головного мозга. (Все участники обучающей группы и проверочной группы 1 прошли МРТ с напряженностью 3 тесла, в то время как 75% участников второй проверочной группы прошли магнитно-резонансную томографию с напряженностью 1,5 тесла, а остальные получили визуализацию с силой 3 тесла. В ходе этих обследований оценивался объем мозга, площадь и толщина коры.)
Добавление функций МРТ к клиническим улучшило производительность моделей, измеряемую квадратом линии регрессии или R2 (с 1 для справки).
Сравнение моделей прогнозирования двухлетнего снижения когнитивных функций у пациентов с ранней стадией болезни Альцгеймера
| Квадрат линии регрессии (R2) | Только клинические особенности | Объединение клинических и МРТ-функций |
| Валидационная когорта 1 | 0,21 | 0,29 |
| Валидационная когорта 2 | 0,31 | — |
«Добавление функций МРТ в эту модель привело к заметному улучшению в [группе проверки 1, которая использовала тот же конвейер обработки изображений, что и [обучающая когорта]», сообщили следователи. «Однако это улучшение производительности модели не было воспроизведено в [группе проверки 2], где, вероятно, оказали влияние различия в методах предварительной обработки изображений между [обучающей когортой] и [группой проверки 2».»
Результаты обещают прогнозировать прогрессирование болезни Альцгеймера, хотя, по мнению авторов, необходимы дополнительные исследования.
«Эти модели могут легко адаптироваться к другим типам исходных оценок, например, с помощью МРТ, ПЭТ и жидкостных биомаркеров, для повышения эффективности прогнозирования», — сказал он. они заключили. «Эти прогностические прогнозы оказывают широкое влияние на клиническую разработку лекарств, клиническую практику и реальное применение».
Полное исследование можно найти здесь.