Αλτσχάιμερ: Οι ερευνητές δημιουργούν ένα μοντέλο για την πρόβλεψη της μείωσης
Ερευνητές από το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης έχουν αναπτύξει ένα μοντέλο μηχανικής μάθησης που θα μπορούσε να προβλέψει το ποσοστό της σχετικής με το Αλτσχάιμερ γνωστικής μείωσης για έως και 2 χρόνια στο μέλλον.
Η νόσος του Αλτσχάιμερ πλήττει εκατομμύρια ανθρώπους σε όλο τον κόσμο, αλλά οι επιστήμονες δεν γνωρίζουν ακόμη τι προκαλεί.
Για αυτόν τον λόγο, οι στρατηγικές πρόληψης μπορούν να χτυπηθούν και να χαθούν. Επιπλέον, οι επαγγελματίες της υγειονομικής περίθαλψης δεν έχουν σαφή τρόπο προσδιορισμού του ποσοστού γνωστικής πτώσης ενός ατόμου μόλις ένας γιατρός το διαγνώσει με Αλτσχάιμερ.
Τώρα, ερευνητές από το Ινστιτούτο Τεχνολογίας της Μασαχουσέτης (MIT) στο Cambridge - σε συνεργασία με ειδικούς από άλλα ιδρύματα - έχουν αναπτύξει ένα μοντέλο μηχανικής μάθησης που θα μπορούσε να επιτρέψει στους ειδικούς να προβλέψουν πόσο θα αλλάξει η γνωστική λειτουργία ενός ατόμου έως και 2 χρόνια νωρίτερα αυτής της παρακμής καθιερώθηκε.
Η ομάδα - αποτελούμενη από τους Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert και καθηγητή Rosalind Picard - θα παρουσιάσει το έργο τους αργότερα αυτήν την εβδομάδα στο συνέδριο Machine Learning for Healthcare. Το φετινό συνέδριο θα πραγματοποιηθεί στο Ann Arbor, MI.
«Η ακριβής πρόβλεψη της γνωστικής μείωσης από 6 σε 24 μήνες είναι κρίσιμη για το σχεδιασμό κλινικών δοκιμών», εξηγεί ο Ρούντοβιτς. Αυτό, προσθέτει, διότι «το να μπορεί κανείς να προβλέψει με ακρίβεια τις μελλοντικές γνωστικές αλλαγές μπορεί να μειώσει τον αριθμό των επισκέψεων που πρέπει να κάνει ο συμμετέχων, κάτι που μπορεί να είναι δαπανηρό και χρονοβόρο».
«Εκτός από τη συμβολή στην ανάπτυξη ενός χρήσιμου φαρμάκου», συνεχίζει ο ερευνητής, «ο στόχος είναι να βοηθήσουμε στη μείωση του κόστους των κλινικών δοκιμών για να τις καταστήσουμε πιο προσιτές και να γίνουν σε μεγαλύτερες κλίμακες».
Χρησιμοποιώντας μετα-εκμάθηση για την πρόβλεψη της μείωσης
Προκειμένου να αναπτύξει το νέο τους μοντέλο, η ομάδα χρησιμοποίησε δεδομένα από την πρωτοβουλία Nezimaging Nezimaging Alzheimer (ADNI), η οποία είναι το μεγαλύτερο σύνολο δεδομένων κλινικής δοκιμής για τη νόσο του Alzheimer στον κόσμο.
Μέσω του ADNI, οι ερευνητές μπόρεσαν να αποκτήσουν πρόσβαση στα δεδομένα περίπου 1.700 ατόμων - μερικά με και μερικά χωρίς τη νόσο του Αλτσχάιμερ - που συλλέχθηκαν για 10 χρόνια.
Η ομάδα είχε πρόσβαση σε κλινικές πληροφορίες, συμπεριλαμβανομένων των εκτιμήσεων της γνωστικής λειτουργίας των συμμετεχόντων, των εγκεφαλικών σαρώσεων, των δεδομένων σχετικά με το μακιγιάζ του DNA των ατόμων και των μετρήσεων εγκεφαλονωτιαίου υγρού, που αποκαλύπτουν τους βιοδείκτες της νόσου του Alzheimer.
Ως πρώτο βήμα, οι ερευνητές ανέπτυξαν και δοκίμασαν το μοντέλο μηχανικής μάθησης χρησιμοποιώντας δεδομένα από μια υποομάδα 100 συμμετεχόντων. Ωστόσο, υπήρχαν πολλά δεδομένα που λείπουν για αυτήν την κοόρτη. Έτσι, οι ερευνητές αποφάσισαν να χρησιμοποιήσουν μια διαφορετική στατιστική προσέγγιση για να αναλύσουν τα διαθέσιμα δεδομένα της κοόρτης με τρόπο που θα έκανε την ανάλυση πιο ακριβή.
Ωστόσο, το νέο μοντέλο δεν έφτασε στο επίπεδο ακρίβειας που περίμεναν οι προγραμματιστές του. Για να το καταστήσουν ακόμη πιο ακριβές, οι ερευνητές χρησιμοποίησαν δεδομένα από άλλο υποσύνολο των συμμετεχόντων στο ADNI.
Αυτή τη φορά, ωστόσο, η ομάδα αποφάσισε να μην εφαρμόσει το ίδιο μοντέλο σε όλους. Αντ 'αυτού, εξατομίκευσαν το μοντέλο για να ταιριάζει σε κάθε συμμετέχοντα, λαμβάνοντας νέα δεδομένα καθώς ήταν διαθέσιμα μετά από κάθε νέα κλινική αξιολόγηση.
Με αυτήν την προσέγγιση, οι ερευνητές διαπίστωσαν ότι το μοντέλο οδήγησε σε σημαντικά χαμηλότερο ποσοστό σφάλματος στις προβλέψεις του. Επιπλέον, απέδωσε καλύτερα από τα υπάρχοντα μοντέλα μηχανικής μάθησης που εφαρμόστηκαν σε κλινικά δεδομένα.
Ωστόσο, οι ερευνητές προχώρησαν ένα βήμα παραπέρα για να βεβαιωθούν ότι η προσέγγισή τους άφησε περιθώριο για όσο το δυνατόν μικρότερο σφάλμα. Συνέχισαν να επινοούν ένα μοντέλο «μετα-μάθησης» που μπορεί να επιλέξει την καλύτερη προσέγγιση για την πρόβλεψη των γνωστικών αποτελεσμάτων σε κάθε συμμετέχοντα.
Αυτό το μοντέλο επιλέγει αυτόματα μεταξύ του συνολικού πληθυσμού και της εξατομικευμένης προσέγγισης, υπολογίζοντας ποια πιθανότατα θα προσφέρει την καλύτερη πρόβλεψη για κάθε δεδομένο άτομο σε μια συγκεκριμένη χρονική στιγμή.
Οι ερευνητές διαπίστωσαν ότι αυτή η προσέγγιση μείωσε το ποσοστό σφάλματος για τις προβλέψεις κατά 50% επιπλέον.
"Δεν μπορέσαμε να βρούμε ένα μόνο μοντέλο ή έναν σταθερό συνδυασμό μοντέλων που θα μπορούσαν να μας δώσουν την καλύτερη πρόβλεψη", εξηγεί ο Ρούντοβιτς.
«Θέλαμε λοιπόν να μάθουμε πώς να μάθουμε με αυτό το πρόγραμμα μετα-εκμάθησης. Είναι σαν ένα μοντέλο πάνω από ένα μοντέλο που λειτουργεί ως επιλογέας, εκπαιδευμένο χρησιμοποιώντας μετα-γνώση για να αποφασίσει ποιο μοντέλο είναι καλύτερο να αναπτυχθεί. "
Ognjen Rudovic
Προς τα εμπρός, η ομάδα στοχεύει να δημιουργήσει μια συνεργασία με μια φαρμακευτική εταιρεία για να δοκιμάσει αυτό το μοντέλο σε μια τρέχουσα δοκιμή νόσου του Alzheimer.
