Альцгеймера: Дослідники створюють модель для прогнозування спаду
Дослідники з Массачусетського технологічного інституту розробили модель машинного навчання, яка може передбачити швидкість когнітивного спаду, пов’язаного з хворобою Альцгеймера, на 2 роки в майбутньому.
Хвороба Альцгеймера вражає мільйони людей у всьому світі, проте вчені досі не знають, що її викликає.
З цієї причини стратегії запобігання можуть бути враженими і пропущеними. Більше того, медичні працівники не мають чіткого способу визначити коефіцієнт зниження когнітивних функцій у людини, як тільки лікар діагностував у них хворобу Альцгеймера.
Зараз дослідники з Массачусетського технологічного інституту (MIT) у Кембриджі - у співпраці зі спеціалістами з інших установ - розробили модель машинного навчання, яка може дозволити спеціалістам передбачити, наскільки зміниться когнітивне функціонування людини до 2 років наперед цього занепаду утвердився.
Команда, до складу якої входять Огнєн Рудович, Юрія Уцумі, Келлі Петерсон, Рікардо Герреро, Даніель Рюкерт та професор Розалінд Пікар, представить свій проект пізніше цього тижня на конференції "Машинне навчання для охорони здоров'я". Цьогорічна конференція відбудеться в Ен-Арбор, Мічиган.
"Точний прогноз зниження когнітивних функцій з 6 до 24 місяців є критичним для розробки клінічних випробувань", - пояснює Рудович. Це, додає він, пов’язано з тим, що „здатність точно прогнозувати майбутні когнітивні зміни може зменшити кількість відвідувань, які повинен зробити учасник, що може бути дорогим та трудомістким”.
«Окрім допомоги у розробці корисного препарату, - продовжує дослідник, - мета полягає у сприянні зменшенню витрат на клінічні випробування, щоб зробити їх більш доступними та проводити їх у більших масштабах».
Використання мета-навчання для прогнозування спаду
Для того, щоб розробити свою нову модель, команда використовувала дані Ініціативи нейровізуалізації хвороби Альцгеймера (ADNI), яка є найбільшим набором даних клінічних випробувань хвороби Альцгеймера у світі.
Завдяки ADNI дослідники змогли отримати доступ до даних приблизно 1700 людей - деякі із хворобою Альцгеймера, а інші - зібрані протягом 10 років.
Команда мала доступ до клінічної інформації, включаючи оцінку когнітивного функціонування учасників, сканування мозку, дані щодо складу ДНК людей та вимірювання ліквору, які виявляють біомаркери хвороби Альцгеймера.
На першому етапі дослідники розробили та протестували свою модель машинного навчання, використовуючи дані підгрупи з 100 учасників. Проте про цю когорту бракувало даних. Отже, слідчі вирішили використовувати інший статистичний підхід для аналізу наявних даних когорти таким чином, щоб зробити аналіз більш точним.
Проте нова модель не досягла рівня точності, який очікували її розробники. Щоб зробити його ще більш точним, дослідники використали дані з іншої підгрупи учасників ADNI.
На цей раз команда вирішила не застосовувати одну і ту ж модель до всіх. Натомість вони персоналізували модель відповідно до кожного учасника, беручи нові дані, що ставали доступними після кожної нової клінічної оцінки.
При такому підході дослідники виявили, що модель призвела до значно нижчого рівня помилок у своїх прогнозах. Більше того, він працював краще, ніж існуючі моделі машинного навчання, застосовані до клінічних даних.
Тим не менше, дослідники зробили крок далі, щоб переконатися, що їхній підхід залишає простір для якомога менших помилок. Вони продовжували розробляти модель “мета-навчання”, яка може вибрати найкращий підхід для прогнозування когнітивних результатів у кожного учасника.
Ця модель автоматично вибирає між загальною сукупністю та персоналізованим підходом, обчислюючи, яка з них, найімовірніше, запропонує найкращий прогноз для будь-якої конкретної людини в конкретний момент часу.
Дослідники виявили, що такий підхід знизив рівень помилок для прогнозів на додаткові 50%.
"Ми не змогли знайти жодної моделі або фіксованої комбінації моделей, які могли б дати нам найкращий прогноз", - пояснює Рудович.
«Отже, ми хотіли навчитися вчитися за допомогою цієї схеми мета-навчання. Це як модель поверх моделі, яка виконує роль селектора, навчена з використанням метазнань, щоб вирішити, яку модель краще використовувати ».
Огнєн Рудович
Надалі команда прагне створити партнерство з фармацевтичною компанією для тестування цієї моделі в рамках триваючого дослідження хвороби Альцгеймера.
