LEGEOL

HELSE OG MEDISINSK KUNNSKAP

Menu
Menu

Alzheimer: Forskere lager en modell for å forutsi tilbakegang

Posted on august 7, 2020 by Azi
Forskere fra Massachusetts Institute of Technology har utviklet en maskinlæringsmodell som kan forutsi frekvensen av Alzheimers relaterte kognitive nedgang i opptil 2 år fremover.
Alzheimer: Forskere lager en modell for å forutsi tilbakegang
MIT-forskere har utviklet en maskinlæringsmodell som de sier kan nøyaktig forutsi kognitiv tilbakegang.

Alzheimers sykdom rammer millioner av mennesker over hele verden­ men forskere vet fremdeles ikke hva som forårsaker den.

Av denne grunn kan forebyggingsstrategier rammes og savnes. Dessuten har helsepersonell ingen klar måte å bestemme en persons rate av kognitiv tilbakegang når en lege har diagnostisert dem med Alzheimers.

Nå har forskere fra Massachusetts Institute of Technology (MIT) i Cambridge-i samarbeid med spesialister fra andre institusjoner-utviklet en maskinlæringsmodell som kan tillate spesialister å forutsi hvor mye en persons kognitive funksjon vil endre seg opp til 2 år. i forkant av at denne nedgangen ble etablert.

Teamet-laget av Ognjen Rudovic­ Yuria Utsumi­ Kelly Peterson­ Ricardo Guerrero­ Daniel Rueckert og prof. Rosalind Picard-vil presentere sitt prosjekt senere denne uken på Machine Learning for Healthcare-konferansen. Årets konferanse vil finne sted i Ann Arbor­ MI.

«Nøyaktig prediksjon av kognitiv tilbakegang fra 6 til 24 måneder er avgjørende for å utforme kliniske studier­» forklarer Rudovic. Dette­ tilføyer han­ skyldes at «å kunne forutsi fremtidige kognitive endringer kan redusere antall besøk deltakeren må gjøre­ noe som kan være dyrt og tidkrevende.»

«Bortsett fra å hjelpe til med å utvikle et nyttig medikament­» fortsetter forskeren­ «er målet å bidra til å redusere kostnadene ved kliniske studier for å gjøre dem rimeligere og gjort på større skalaer.»

Bruk av metalæring for å forutsi tilbakegang

For å utvikle sin nye modell­ benyttet teamet data fra Alzheimers «Disease Neuroimaging Initiative (ADNI)­ som er det største datasettet for Alzheimers sykdommer i verden.

Gjennom ADNI kunne forskerne få tilgang til data fra omtrent 1700 mennesker-noen med og noen uten Alzheimers sykdom-samlet i løpet av 10 år.

Teamet hadde tilgang til klinisk informasjon­ inkludert deltakernes «kognitive funksjonsvurderinger­ hjerneskanninger­ data angående individer» DNA-sminke og målinger av cerebrospinalvæske­ som avslører Alzheimers sykdom biomarkører.

Som et første trinn utviklet og testet forskerne deres maskinlæringsmodell ved hjelp av data fra en undergruppe på 100 deltakere. Imidlertid var det mye manglende data om dette kohorten. Så etterforskerne bestemte seg for å bruke en annen statistisk tilnærming for å analysere kohortens tilgjengelige data på en måte som ville gjøre analysen mer nøyaktig.

Likevel nådde den nye modellen ikke det nøyaktighetsnivået som utviklerne hadde forventet. For å gjøre det enda mer nøyaktig­ brukte forskerne data fra en annen undergruppe av ADNI-deltakere.

Denne gangen bestemte imidlertid teamet seg for å ikke bruke samme modell for alle. I stedet personaliserte de modellen slik at den passet hver enkelt deltaker­ og tok inn nye data etter hvert som de ble tilgjengelige etter hver nye kliniske vurdering.

Med denne tilnærmingen fant forskerne at modellen førte til en betydelig lavere feilrate i sine spådommer. Videre presterte det bedre enn eksisterende maskinlæringsmodeller brukt på kliniske data.

Fortsatt gikk forskerne et skritt videre for å sikre at tilnærmingen deres lot rom for så lite feil som mulig. De fortsatte med å utvikle en «meta learning» -modell som kan velge den beste tilnærmingen til å forutsi kognitive utfall hos hver deltaker.

Denne modellen velger automatisk mellom den totale befolkningen og den personlige tilnærmingen­ og beregner hvilken som mest sannsynlig vil tilby den beste prediksjonen for et gitt individ på et bestemt tidspunkt.

Forskerne fant at denne tilnærmingen reduserte feilraten for spådommer med så mye som ytterligere 50%.

«Vi kunne ikke finne en enkelt modell eller en fast kombinasjon av modeller som kan gi oss den beste prediksjonen­» forklarer Rudovic.

«Så vi ønsket å lære å lære med dette metallæringsskjemaet. Det er som en modell på toppen av en modell som fungerer som en selektor­ trent ved å bruke metakunnskap for å bestemme hvilken modell som er bedre å distribuere.»

Ognjen Rudovic

Fremover tar teamet sikte på å danne et partnerskap med et farmasøytisk selskap for å teste denne modellen i en pågående Alzheimers sykdomstest.

  • Skriv ut
  • WhatsApp
  • Tweet

Nye innlegg

  • Bruke immunforsvaret for å bekjempe avhengighet
  • PFAS kan ha mye til felles med kreftfremkallende stoffer
  • Hvordan kroppsfett påvirker menn og kvinner helse på en annen måte
  • Lucid drømmer: Hva de er­ og hvordan du opplever dem
  • Kreft: Forskere avslører hvordan man kan øke strålebehandlingen

Nye kommentarar

  • Tove Bockelie til Behandling av perifer neuropati
  • A WordPress Commenter til Verste matvarer for hud og hudfarge?

Arkiv

  • april 2021
  • mars 2021
  • februar 2021
  • januar 2021
  • desember 2020
  • november 2020
  • oktober 2020
  • september 2020
  • august 2020
  • juli 2020
  • juni 2020
  • mai 2018
  • april 2018
  • mars 2018
  • februar 2018
  • januar 2018
  • desember 2017
  • november 2017
  • oktober 2017
  • september 2017
  • august 2017
  • juli 2017
  • juni 2017
  • mai 2017
  • april 2017

Kategoriar

  • ADD-ADHD
  • Allergi
  • Astma
  • Barn
  • Brystkreft
  • Diabetes
  • Eksem
  • Epilepsi
  • Hjertesykdom
  • Kreft
  • Kviser
  • Mental Helse

Bakom

  • Logg inn
  • Innleggstraum
  • Kommentarstraum
  • WordPress.org
© 2021 LEGEOL | Powered by Minimalist Blog WordPress Theme