Maskininlärning för att förutsäga kognitiv svikt
Det första testet i sitt slag använder maskininlärning för att förutsäga kognitiv svikt upp till 9 år i förväg
I en banbrytande studie publicerad i Nature Mental Health har forskare från Queens Mary University of London utvecklat en metod för att förutsäga kognitiv svikt med över 80% noggrannhet upp till nio år innan en klinisk diagnos. Denna metod, som överträffar traditionella minnestester och mätningar av hjärnans krympning, bygger på att detektera förändringar i hjärnans standardlägesnätverk (DMN) med hjälp av funktionell magnetisk resonanstomografi (fMRI).
Demens är en samlingsterm som används för att beskriva en mängd olika tillstånd som kännetecknas av en gradvis nedgång i kognitiv funktion som är tillräckligt allvarlig för att störa vardagen och självständig funktion. Det påverkar minne, tänkande, orientering, förståelse, beräkning, inlärningsförmåga, språk och omdöme.
Alzheimers sjukdom är den vanligaste orsaken till demens och står för 60-70% av fallen. Andra typer inkluderar vaskulär demens, Lewy-Body och frontotemporal demens.
Kognitiv svikt är ett progressivt tillstånd, vilket innebär att symtomen förvärras med tiden, vilket ofta leder betydande försämringar i dagliga aktiviteter och livskvalitet. För närvarande finns det inget botemedel mot kognitiv svikt, och behandlingar fokuserar främst på att hantera symtom och stödja patienter och vårdgivare.
Tidig diagnos är viktig eftersom det öppnar dörren för ingrepp som kan bromsa sjukdomens utveckling, förbättra livskvaliteten och ge individer och deras familjer mer tid att planera framtiden.
Traditionella diagnostiska metoder, såsom minnestester och hjärnskanningar för att upptäcka atrofi, fångar ofta sjukdomen först efter att betydande neurala skador uppstått. Dessa metoder är inte tillräckligt känsliga för att upptäcka de mycket tidiga förändringar i hjärnans funktion som föregår kliniska symtom.
"Att förutsäga vem som kommer att få demens i framtiden kommer att vara avgörande för att utveckla behandlingar som kan förhindra den oåterkalleliga förlusten av hjärnceller som orsakar symtomen på demens", säger Charles Marshall, som ledde forskargruppen inom Center for Preventive Neurology på Queen Marys Wolfson Institute of Population Health.
"Även om vi blir bättre på att upptäcka de proteiner i hjärnan som kan orsaka Alzheimers sjukdom, lever många människor i årtionden med dessa proteiner i hjärnan utan att utveckla symtom på demens."
"Vi hoppas att måttet på hjärnans funktion som vi har utvecklat kommer att tillåta oss att vara mycket mer exakta om huruvida någon faktiskt kommer att utveckla demens, och hur snart, så att vi kan identifiera om de kan ha nytta av framtida behandlingar."
Studien involverade en kapslad fallkontrolldesign med data från UK Biobank, en storskalig biomedicinsk databas. Forskarna fokuserade på en delmängd av deltagare som hade genomgått funktionell magnetisk resonanstomografi (fMRI) skanningar och antingen hade en diagnos av kognitiv svikt eller utvecklade det senare. Urvalet bestod av 148 fall av kognitiv svikt och 1030 matchande kontroller, vilket säkerställde en robust jämförelsegrupp genom att matcha ålder, kön, etnicitet handpreferens (vänster eller höger) och den geografiska platsen för MRT-skanningscentret.
Deltagarna genomgick vilotillstånd fMRI (rs-fMRI)skanningar, som mäter hjärnaktivitet gneom att upptäcka förändringar i blodflödet. Forksarna riktade sig specifikt mot standardlägesnätverket (DMN), ett nätverk av hjärnregioner som är aktiva under vila och involverade i kognitiva funktioner på hög niva som social kognition och självreferensiell tanke.
Med hjälp av en teknik som kallas dynamisk kausal modellering (DCM) analyserade de rs-fMRI-data för att uppskatta den effektiva anslutningen mellan olika regioner inom DMN. Denna metod går utöver enkla korrelationer för att modellera det kausala inflytandet som en hjärnregion har över en annan, vilket ger en detaljerad bild av neurala anslutningar.
Forskarna använde sedan dessa anslutningsuppskattningar för att träna en maskininlärningsmodell.
Denna modell syftade till att skilja mellan individer som skulle fortsätta att utveckla demens och de som inte skulle göra det. Utbildningsprocessen involverade en rigorös korsvalideringsteknik för att säkerställa modellens tillförlitlighet och för att förhindra överanpassning. Dessutom utvecklades en prognostisk modell för att förutsäga tiden fram till en demensdiagnos, med hjälp av liknande data och valideringstekniker.
Den prediktiva modellen uppnådde en area under kurvan (AUC) på 0,824, vilket indikerar utmärkta prestationer när det gäller att skilja mellan framtida demensfall och kontroller. Denna noggrannhetsnivå är betydligt högre än traditionella diagnostiska metoder, som ofta kämpar för att upptäcka demens i ett tidigt skede.
Modellen identifierade 15 viktiga anslutningsparametrar inom DMN som skiljde sig signifikant mellan framtida demensfall och kontroller. Bland dessa inkluderade de mest anmärkningsvärda förändringarna ökad hämning från ventromediala prefrontala cortex (vmPFC) till vänster parahippocampal formation (IPHF) och från vänster intraparietal cortex (IIPC) till IPHF, såväl som försvagad hämning från höger parahippocampal formation (rPHF) till den dorsomediala prefrontala cortex (dmPFC).
Utöver dess diagnostiska kapacitet utvecklade studien också prognostisk modell för att förutsäga tiden fram till demensdiagnos. Denna modell visade stark korrelation (Spearmans ρ = 0,53) mellan förutsagda och faktiska tider fram till diagnos, vilket indikerar dess potential att ge värdefulla tidslinjer för sjukdomsprogression. DEn prediktiva kraften hos dessa anslutningsmönster tyder på förändringar i DMN kan fungera som tidiga biomarkörer för demens, vilket ger ett fönster i sjukdomsprocessen år innan kliniska symtom uppträder.
Dessutom undersökte studien sambandet mellan DMN-anslutningsförändringar och olika riskfaktorer för kognitiv svikt. De fann ett signifikant samband mellan social isolering och DMN-avbrott, vilket tyder på att social isolering kan förvärra de neurala förändringarna i samband med demens. Detta fynd belyser vikten av att beakta miljö- och livsstilsfaktorer i demensrisk och öppnar upp för potentiella vägar för intervention.
"Genom att använda dessa analystekniker med stora datamängder kan vi identifiera de som löper hög demensrisk, och även lära oss vilka miljöriskfaktorer som tryckte dessa människor in i en högriskzon", säger medförfattaren Samuel Ereira.
"Det finns en enorm potential att tillämpa dessa metoder på olika hjärnnätverk och populationer, för att hjälpa oss att bättre förstå samspelet mellan miljö, neurobiologi och sjukdom, både vid demens och eventuellt andra neurodegenerativa sjukdomar. fMRI är ett icke-invasivt medicinskt avbildningsverktyg och det tar ca 6 minuter att samla in nödvändig data på en MR-skanner, så det kan integreras i befintliga diagnostiska vägar, särskilt där R redan används."
Trots de lovande resultaten finns det några varningar att ta hänsyn tull. En begränsning av studien är användningen av data från den brittiska biobanken, som kanske inte är helt representativ för befolkningen. Deltagarna i denna kohort tenderar att vara friskare och mindre socioekonomiskt eftersatta. Framtidens forskning bör validera dessa resultat i mer olikartade och representativa urval.
"En av tre personer med kognitiv svikt får aldrig en formell diagnos, så det finns ett akut behov av att förbättra sättet att diagnostisera människor med tillståndet. Detta kommer bli ännu viktigare när demens blir ett behandlingsbart tillstånd, säger Julia Dudley, chef för strategiska forskningsprogram vid Alzheimers Research UK.
"Denna studie ger spännande insikter om tidiga tecken på att någon kan löpa större risk att utveckla demens. Även om denna teknik kommer behöva valideras i ytterligare studier, om den är ett lovande tillägg till verktygslådan med metoder för att upptäcka de sjukdomar som orsakar demens så tidigt som möjligt. En tidigare och korrekt diagnos är nyckeln till att låsa upp personlig vård och stöd, och snart för att få tillgång till förstklassiga behandlingar som är vid horisonten."
Eugene Duff, forskare vid UK Dementia Research Institute vid Imperial College London tillade: "Detta arbete visar hur avancerad analys av hjärnaktivitet mätt med MRT kan förutsäga framtidens demensdiagnos. Tidig diagnos av demens är värdefull av många anledningar, särskilt när förbättrade läkemedelsbehandlingar blir tillgängliga."
"Hjärnaktivitetsmått kan vara ett komplement till kognitiva, blod- och andra markörer för att identifiera de som löper risk för demens. Den hjärnmodellering som de använder har fördelen av att potentiellt klargöra de hjärnprocesser som påverkas i de tidiga stadierna av sjukdomen. Studiekohorten av diagnostiserade patienter var dock relativt liten (103 fall). Ytterligare validering och direkta jämförelser av prediktiva markörer behövs.
Kommentarer
Skicka en kommentar