Alzheimer: i ricercatori creano un modello per prevedere il declino
I ricercatori del Massachusetts Institute of Technology hanno sviluppato un modello di apprendimento automatico in grado di prevedere il tasso di declino cognitivo correlato all'Alzheimer per un massimo di 2 anni in futuro.
La malattia di Alzheimer colpisce milioni di persone in tutto il mondo, ma gli scienziati non sanno ancora cosa la causa.
Per questo motivo, le strategie di prevenzione possono essere incostante. Inoltre, gli operatori sanitari non hanno un modo chiaro per determinare il tasso di declino cognitivo di una persona una volta che un medico ha diagnosticato l'Alzheimer.
Ora, i ricercatori del Massachusetts Institute of Technology (MIT) di Cambridge - in collaborazione con specialisti di altre istituzioni - hanno sviluppato un modello di apprendimento automatico che potrebbe consentire agli specialisti di prevedere quanto cambierà il funzionamento cognitivo di una persona fino a 2 anni prima. di questo declino che si sta affermando.
Il team - composto da Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert e Prof. Rosalind Picard - presenterà il loro progetto questa settimana alla conferenza Machine Learning for Healthcare. La conferenza di quest'anno si terrà ad Ann Arbor, MI.
"Una previsione accurata del declino cognitivo da 6 a 24 mesi è fondamentale per la progettazione di studi clinici", spiega Rudovic. Questo, aggiunge, è perché "[essere in grado di prevedere con precisione i futuri cambiamenti cognitivi può ridurre il numero di visite che il partecipante deve fare, il che può essere costoso e dispendioso in termini di tempo".
"Oltre a contribuire allo sviluppo di un farmaco utile", continua il ricercatore, "l'obiettivo è quello di aiutare a ridurre i costi degli studi clinici per renderli più accessibili e fatti su scala più ampia".
Usare il meta learning per prevedere il declino
Per sviluppare il loro nuovo modello, il team ha utilizzato i dati dell'Alzheimer's Disease Neuroimaging Initiative (ADNI), che è il più grande set di dati di studi clinici sulla malattia di Alzheimer al mondo.
Attraverso l'ADNI, i ricercatori sono stati in grado di accedere ai dati di circa 1.700 persone - alcune con e altre senza la malattia di Alzheimer - raccolti in 10 anni.
Il team ha avuto accesso alle informazioni cliniche, comprese le valutazioni del funzionamento cognitivo dei partecipanti, le scansioni cerebrali, i dati sulla composizione del DNA degli individui e le misurazioni del liquido cerebrospinale, che rivelano i biomarcatori della malattia di Alzheimer.
Come primo passo, i ricercatori hanno sviluppato e testato il loro modello di apprendimento automatico utilizzando i dati di un sottogruppo di 100 partecipanti. Tuttavia, c'erano molti dati mancanti su questa coorte. Pertanto, i ricercatori hanno deciso di utilizzare un approccio statistico diverso per analizzare i dati disponibili della coorte in modo da rendere l'analisi più accurata.
Tuttavia, il nuovo modello non ha raggiunto il livello di precisione che i suoi sviluppatori si aspettavano. Per renderlo ancora più accurato, i ricercatori hanno utilizzato i dati di un'altra sottocoorte di partecipanti all'ADNI.
Questa volta, tuttavia, il team ha deciso di non applicare lo stesso modello a tutti. Invece, hanno personalizzato il modello per adattarlo a ciascun partecipante, acquisendo nuovi dati non appena disponibili dopo ogni nuova valutazione clinica.
Con questo approccio, i ricercatori hanno scoperto che il modello portava a un tasso di errore significativamente inferiore nelle sue previsioni. Inoltre, ha funzionato meglio dei modelli di apprendimento automatico esistenti applicati ai dati clinici.
Tuttavia, i ricercatori hanno fatto un ulteriore passo avanti per assicurarsi che il loro approccio lasciasse spazio al minor numero di errori possibile. Hanno continuato a ideare un modello di "meta apprendimento" che può scegliere l'approccio migliore per prevedere i risultati cognitivi in ogni partecipante.
Questo modello sceglie automaticamente tra la popolazione complessiva e l'approccio personalizzato, calcolando quale molto probabilmente offrirà la migliore previsione per un dato individuo in un particolare momento.
I ricercatori hanno scoperto che questo approccio ha ridotto il tasso di errore per le previsioni fino a un ulteriore 50%.
"Non siamo riusciti a trovare un singolo modello o una combinazione fissa di modelli che potessero darci la migliore previsione", spiega Rudovic.
“Quindi volevamo imparare come imparare con questo schema di meta apprendimento. È come un modello sopra un modello che funge da selettore, addestrato utilizzando la metaconoscenza per decidere quale modello è meglio distribuire ".
Ognjen Rudovic
In futuro, il team mira a formare una partnership con un'azienda farmaceutica per testare questo modello in una sperimentazione in corso sulla malattia di Alzheimer.
