最近の 臨床医学 この研究では、機械学習（ML）技術を利用して、実際の患者データを使用して早期認知症を予測するための予測予後モデル（PPM）を開発し、テストしました。
勉強： 実際の臨床現場における早期認知症予測のための堅牢かつ解釈可能な AI 誘導マーカー。 画像クレジット: Gorodenkoff / Shutterstock.com
認知症を早期に診断する上での課題
研究者らは、認知症の発症率は今後 50 年間で 3 倍に増加すると予測しています。現在、アルツハイマー病 (AD) は認知症全体の 60 ～ 80% を占めています。
今のところ、認知症の早期診断に有効なツールは不足しています。記憶力検査は感度が低いため、特に初期段階では効果がありません。さらに、ほとんどの患者は、脳脊髄液バイオマーカーを評価するための腰椎穿刺や、侵襲的で費用のかかる陽電子放出断層撮影 (PET) スキャンなどのより具体的な検査を受けることができません。
近年の人工知能 (AI) の進歩にもかかわらず、ML 技術を使用して開発されたモデルには一定の制限もあります。たとえば、コホート データは構造化されていますが、一般化につながる可能性があります。
研究について
現在の研究者らは、認知症の初期段階にある患者が AD に進行するかどうか、また進行するとすればどのくらいの速さかを予測する、解釈可能で堅牢な PPM を開発しました。認知症の初期段階は、前症状または「認知正常」(CN) と軽度認知障害 (MCI) で構成されます。
PPM の臨床的有用性を実証するために、研究者らはベースライン、非侵襲的、低コストのデータでシステムをトレーニングしました。その後、PPM は実際のサンプル外の患者データでテストされ、実際のデータでの長期診断に対して検証されました。
得られたデータは、272 人の患者からなる独立したテスト データセットとして 2 つの臨床コホートから取得され、トレーニング サンプルと検証サンプルがそれぞれ 410 人と 609 人の患者からなるアルツハイマー病神経画像化イニシアチブ (ADNI) の研究コホート、および 605 人の患者からなるシンガポール国立大学の記憶老化および認知センター データセット (MACC) から取得されました。
マルチモーダル データを使用して認知症の初期段階での将来の認知機能低下を予測するために、一般化メトリック学習ベクトル量子化 (GMLVQ) に基づく軌跡モデリング アプローチが採用されました。GMLVQ モデルは、安定 MCI (sMCI) と進行性 MCI (pMCI) を区別するようにトレーニングされました。sMCI の患者は 3 年以内に一貫して MCI の診断を受けましたが、pCMI の患者は 3 年以内に AD に進行しました。
トレーニングは、アデンブルック認知検査改訂版記憶スケール（ACE-R 記憶）、ミニメンタルステート検査（MMSE）、および ADNI データからの灰白質（GM）密度を使用して実施されました。
研究結果
PPM は、初期認知症の人が安定状態を維持するか AD に進行するかを判断する際に、81.7% の予測精度、80.9% の特異度、82.4% の感度と関連していました。MMSE、GM 密度、および ACE-R メモリの間に相互作用があるという証拠があり、これは sMCI と pMCI を正確に区別する上でのマルチモーダル特性の役割を示しています。
ACE-R メモリと MMSE のみを使用してモデルをトレーニングすると、認知データと MRI データの両方を使用してトレーニングした場合と同様のパフォーマンスが得られました。モデルは、マルチモーダル データ全体にわたる多変量相互作用が利用された場合に最高のパフォーマンスを発揮しました。
モデルから導出された予後指標は、認知的健康軌道を予測する上で臨床的に関連性がありました。2 つの独立したデータセットでは、PPM から導出された予後指標はベースライン データから導出され、グループ間で有意に異なっていました。この指標は、AD、中等度の MCI、軽度の MCI、CN3 などの複数のテスト ケースの MRI および認知データを使用してトレーニングした場合、有意に高くなりました。
これまでの研究では、認知症の最大 35% が誤診されていると報告されています。重要なのは、PPM インデックスが生物学的データでシステムをトレーニングすることで誤診率を低下させる可能性を示したことです。
PPM は、臨床診療における一般的な評価、ロジスティック回帰モデル、多変量回帰モデルと比較して、優れた感度と精度を伴います。縦断的な臨床結果に対する検証演習では、PPM は、MCI のような初期段階の患者が AD に進行するか、安定したままであるかを確実に予測しました。さまざまな記憶センターにわたる調査結果の一般化可能性は、初期認知症の AI 誘導バイオマーカーの分野における大きな進歩です。
結論
この研究結果は、認知症の初期段階にある患者を検出し、分類するための、解釈可能で堅牢な臨床 AI ガイド アプローチの証拠を提供します。このマーカーは、さまざまな地理的地域にわたる多施設の縦断的患者データに対して検証されているため、臨床現場で採用される可能性が非常に高いです。
このモデルが臨床 AI ツールと見なされるためには、代表性の低いグループのデータを含め、併存疾患を把握するために臨床ケアデータを組み込み、PPM を認知症のサブタイプの予測に拡張する必要があります。
ジャーナル参照:
- リー、L、Y.、ヴァガリ、D.、ブルクハート、MC、 その他（2024）実際の臨床現場における早期認知症予測のための堅牢で解釈可能なAI誘導マーカー。 臨床医学。 土井:10.1016/j.eclinm.2024.102725
1721311591
#認知症の早期予測のための信頼性の高い人工知能誘導マーカー
2024-07-18 13:51:00