לאחרונה eClinicalMedicine המחקר השתמש בטכניקות למידת מכונה (ML) כדי לפתח ולבדוק מודל פרוגנוסטי (PPM) לחיזוי מוקדם של דמנציה באמצעות נתוני חולים מהעולם האמיתי.
לימוד: סמן מונחה בינה מלאכותית חזקה וניתנת לפירוש לחיזוי דמנציה מוקדם במסגרות קליניות בעולם האמיתי. קרדיט תמונה: גורודנקוף / Shutterstock.com
אתגרים באבחון דמנציה בשלב מוקדם
חוקרים צופים כי שכיחות הדמנציה תגדל פי שלושה במהלך 50 השנים הבאות. מחלת אלצהיימר (AD) מהווה כיום 60-80% מכלל מקרי הדמנציה.
עד כה נותר מחסור בכלים יעילים לאבחון מוקדם של דמנציה. בדיקות זיכרון אינן יעילות במיוחד בשלב מוקדם, מכיוון שהן חסרות רגישות. יתר על כן, רוב החולים אינם יכולים לגשת לבדיקות ספציפיות יותר כגון דקירות מותניות להערכת סמנים ביולוגיים של נוזל מוחי, וגם לא סריקות טומוגרפיה פליטת פוזיטרונים (PET), שהן פולשניות ויקרות.
למרות ההתקדמות האחרונה, בינה מלאכותית (AI), מודלים שפותחו באמצעות טכניקות ML קשורים גם למגבלות מסוימות. לדוגמה, למרות שנתוני עוקבה מובנים, הם יכולים להוביל להכללה.
לגבי המחקר
החוקרים של הזרם פיתחו PPM בר-פירוש וחזק החוזה אם וכמה מהר חולים בשלבים מוקדמים של דמנציה יתקדמו ל-AD. שלבים מוקדמים של דמנציה כוללים פרה-סימפטומטיים או 'נורמליים קוגניטיביים' (CN) והפרעות קוגניטיביות קלות (MCI).
כדי להדגים את התועלת הקלינית של ה-PPM, החוקרים אימנו את המערכת על נתונים בסיסיים, לא פולשניים ובעלות נמוכה. לאחר מכן, ה-PPM נבדק על פי נתוני מטופלים מחוץ לדגימה בעולם האמיתי ואומת כנגד אבחנות אורך בנתונים מהעולם האמיתי.
הנתונים שהתקבלו הגיעו משתי קבוצות קליניות כמערכי נתונים עצמאיים של בדיקות הכוללות 272 מטופלים, קבוצת מחקר מיוזמת Alzheimer's Disease Neuroimaging Initiative (ADNI) עם דגימות הדרכה ואימות הכוללות 410 ו-609 מטופלים, בהתאמה, וכן ה-National University of Singapore's Memory Aging. מערך נתונים של מרכז קוגניציה (MACC) הכולל 605 מטופלים.
כדי לחזות ירידה קוגניטיבית עתידית בשלבים המוקדמים של דמנציה תוך שימוש בנתונים מולטי-מודאליים, אומצה גישת מודל מסלול המבוססת על Generalized Metric Learning Vector Quantization (GMLVQ). המודלים של GMLVQ הוכשרו להבחין בין MCI יציב (sMCI) ל-MCI מתקדם (pMCI). חולים עם sMCI קיבלו באופן עקבי אבחנה של MCI בתוך תקופה של שלוש שנים, בעוד שאלו עם pCMI התקדמו ל-AD תוך תקופה של שלוש שנים.
האימון הושג באמצעות סולם הזיכרון המתוקן של Addenbrooke Cognitive Examination (זיכרון ACE-R), בדיקת מיני-מנטלית מצב (MMSE) וצפיפות החומר האפור (GM) מנתוני ADNI.
ממצאי המחקר
ה-PPM היה קשור לדיוק ניבוי של 81.7%, ספציפיות של 80.9% ורגישות של 82.4% בקביעה אם אנשים עם דמנציה מוקדמת יישארו יציבים או יתקדמו ל-AD. היו עדויות לאינטראקציה בין MMSE, צפיפות GM וזיכרון ACE-R, אשר מדגים את תפקידן של תכונות מולטי-מודאליות בהבחנה מדויקת בין sMCI ל-pMCI.
אימון המודל עם זיכרון ACE-R ו-MMSE בלבד סיפק ביצועים דומים לאימון עם נתונים קוגניטיביים ו-MRI כאחד. המודל התפקד בצורה הטובה ביותר כאשר נעשה שימוש באינטראקציות רב-משתניות על פני נתונים רב-מודאליים.
המדד הפרוגנוסטי שמקורו במודל היה רלוונטי מבחינה קלינית לניבוי מסלולי בריאות קוגניטיביים. עבור שני מערכי נתונים עצמאיים, האינדקס הפרוגנוסטי שמקורו ב-PPM נגזר מנתוני הבסיס והיה שונה באופן משמעותי בין הקבוצות. המדד היה גבוה יותר באופן מובהק כאשר אומנו עם MRI ונתונים קוגניטיביים עבור מקרי בדיקה מרובים כגון AD, MCI בינוני, MCI קל או CN3.
מחקרים קודמים דיווחו כי עד 35% ממקרי הדמנציה מאובחנים בטעות. חשוב לציין, מדד PPM הוכיח את הפוטנציאל להפחית את שיעור האבחונים השגויים על ידי אימון המערכת על נתונים ביולוגיים.
ה-PPM היה קשור לרגישות ודיוק מעולים בהשוואה להערכות טיפוסיות בפרקטיקה הקלינית, מודלים של רגרסיה לוגיסטית ומודלי רגרסיה רב-משתנים. בתרגילי אימות מול תוצאות קליניות אורכיות, PPM ניבא בצורה חזקה אם אנשים בשלבי מחלה מוקדמים כמו MCI יתקדמו ל-AD או יישארו יציבים. יכולת ההכללה של הממצאים בין מרכזי זיכרון שונים היא התקדמות משמעותית בתחום הסמנים הביולוגיים מונחי בינה מלאכותית לדמנציה מוקדמת.
מסקנות
ממצאי המחקר מספקים עדויות לגישה ניתנת לפירוש וחזקה מונחית בינה מלאכותית לאיתור וריבוד חולים בשלבים המוקדמים של דמנציה. לסמן זה יש פוטנציאל חזק לאימוץ בפרקטיקה הקלינית בשל תיקוף שלו מול נתוני חולים אורכיים רב-מרכזיים על פני אזורים גיאוגרפיים שונים.
הכללת נתונים מקבוצות שאינן מיוצגות, שילוב נתוני טיפול קליני כדי ללכוד מחלות נלוות, והרחבת ה-PPM לחיזוי של תת-סוגי דמנציה נדרשת לפני שמודל זה יכול להיחשב ככלי AI קליני.
