J Alzheimers Dis:利用机器学习方法建立痴呆预测模型--疾病状态指数
2017-01-02 MedSci MedSci原创
一个新型老年痴呆预测模型——疾病状态指数(Disease State Index,DSI),可能有助于预测10年后的疾病风险。DSI是一个经过验证的风险评估工具,利用“机器学习”方法分析大量健康信息。该研究在线发表于12月6日的Journal of Alzheimer's Disease. 研究者Alina Solomon(东芬兰大学)表示,“我们很高兴看到这个工具能够很好的预测痴呆。”不过她强
一个新型老年痴呆预测模型——疾病状态指数(Disease State Index,DSI),可能有助于预测10年后的疾病风险。DSI是一个经过验证的风险评估工具,利用“机器学习”方法分析大量健康信息。该研究在线发表于12月6日的Journal of Alzheimer's Disease.
研究者Alina Solomon(东芬兰大学)表示,“我们很高兴看到这个工具能够很好的预测痴呆。”不过她强调,DSI不能用于痴呆诊断,但可有助于作出决定和制定预防痴呆的策略。
人工智能
这种类型的大数据人工智能只是刚开始被用于痴呆预防中。相比之前一些用于计算痴呆风险评分的方法,DSI的主要优势在于其处理大量异构数据、缺失数据和利用未加工数据的能力。机器学习可以提高预测能力。之前DSI尚未在认知未受损的普通人群中被观察过。有趣的是,DSI联合疾病状态指数方法可以以一种简单、快速可说明的视觉形式呈现结果。
这项心血管危险因素、衰老和痴呆(CAIDE)队列研究最初包括1449例年龄在65~79岁的参与者,且在随访时进行各种各样的检查,包括MRI、血液测试和神经心理学评估。
研究人员纳入709例CAIDE研究中被归类为首次研究访问时认知正常的参与者,并在10年后进行第二次重新检查。
经过验证的结果
在首次随访时(基线时)无痴呆或轻度认知障碍的参与者中,39例在第二次重新检查时出现痴呆。
复合DSI包括认知和血管因素、主观记忆状态和APOE基因型,显示显著的曲线下面积(AUC,0.79)和非常狭窄的95%置信区间(CI; 0.79 - 0.80)。
研究者还对来自芬兰医院出院登记、药物报销记录和死亡原因登记中的1009例患者的记录进行观察。在这些参与者中,151例患者在平均9.0年的随访期间罹患痴呆。这一扩展人群的复合DSI AUC也很显著(0.75; 95% CI, 0.74 - 0.75)。
表.DSI以及联合其它因素预测痴呆的效果表
这些详细、可视、易于描述的个别风险状况可能有助于采取痴呆预防干预措施。Solomon指出,我们开发DSI用以支持临床决策的指定,而且我们也热衷于探索其可能的实际应用。
然而,我们仍需要在非芬兰人群中对其进行验证,并观察在其他年龄人群中是否同样有效,或者随着时间的推移能否监测风险水平。
这只是众多预测工具中的一个。我认为我们需要一系列工具——从简单的工具到复杂的工具。而且我们还需要知晓该风险预测与预防策略之间的联系,从而我们才能识别出那些更可能从干预措施中获益的人群。
原始出处:
Pekkala T, Hall A, Lötjönen J, Mattila J, Soininen H, Ngandu T, Laatikainen T, Kivipelto M, Solomon A. Development of a Late-Life Dementia Prediction Index with Supervised Machine Learning in the Population-Based CAIDE Study.J Alzheimers Dis. 2017;55(3):1055-1067.
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#ERS#
89
#疾病状态#
95
#alzheimers#
69
#预测模型#
74
#MERS#
64
#机器#
61
#Dis#
57
高大上的研究
85
学习新知识谢谢
89