Alzheimer: los investigadores crean un modelo para predecir el declive
Investigadores del Instituto de Tecnología de Massachusetts han desarrollado un modelo de aprendizaje automático que podría predecir la tasa de deterioro cognitivo relacionado con el Alzheimer durante hasta 2 años en el futuro.
La enfermedad de Alzheimer afecta a millones de personas en todo el mundo, pero los científicos aún no saben qué la causa.
Por esta razón, las estrategias de prevención pueden ser impredecibles. Además, los profesionales de la salud no tienen una forma clara de determinar la tasa de deterioro cognitivo de una persona una vez que un médico le ha diagnosticado Alzheimer.
Ahora, investigadores del Instituto de Tecnología de Massachusetts (MIT) en Cambridge, en colaboración con especialistas de otras instituciones, han desarrollado un modelo de aprendizaje automático que podría permitir a los especialistas predecir cuánto cambiará el funcionamiento cognitivo de una persona con hasta 2 años de anticipación. de este declive estableciéndose.
El equipo, formado por Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert y la profesora Rosalind Picard, presentará su proyecto a finales de esta semana en la conferencia Machine Learning for Healthcare. La conferencia de este año se llevará a cabo en Ann Arbor, MI.
"La predicción precisa del deterioro cognitivo de 6 a 24 meses es fundamental para diseñar ensayos clínicos", explica Rudovic. Esto, agrega, se debe a que “ser capaz de predecir con precisión los cambios cognitivos futuros puede reducir la cantidad de visitas que debe realizar el participante, lo que puede resultar costoso y llevar mucho tiempo”.
"Además de ayudar a desarrollar un fármaco útil", continúa el investigador, "el objetivo es ayudar a reducir los costos de los ensayos clínicos para que sean más asequibles y se realicen a mayor escala".
Usar el metaaprendizaje para predecir el declive
Para desarrollar su nuevo modelo, el equipo utilizó datos de la Iniciativa de neuroimagen de la enfermedad de Alzheimer (ADNI), que es el conjunto de datos de ensayos clínicos de la enfermedad de Alzheimer más grande del mundo.
A través de ADNI, los investigadores pudieron acceder a los datos de aproximadamente 1.700 personas, algunas con y otras sin la enfermedad de Alzheimer, recopilados durante 10 años.
El equipo tuvo acceso a información clínica, incluidas las evaluaciones del funcionamiento cognitivo de los participantes, los escáneres cerebrales, los datos sobre la composición del ADN de las personas y las mediciones del líquido cefalorraquídeo, que revelan biomarcadores de la enfermedad de Alzheimer.
Como primer paso, los investigadores desarrollaron y probaron su modelo de aprendizaje automático utilizando datos de un subgrupo de 100 participantes. Sin embargo, faltaban muchos datos sobre esta cohorte. Por lo tanto, los investigadores decidieron utilizar un enfoque estadístico diferente para analizar los datos disponibles de la cohorte de una manera que haría el análisis más preciso.
Aún así, el nuevo modelo no alcanzó el nivel de precisión que esperaban sus desarrolladores. Para hacerlo aún más preciso, los investigadores utilizaron datos de otra subcohorte de participantes de ADNI.
Esta vez, sin embargo, el equipo decidió no aplicar el mismo modelo a todos. En cambio, personalizaron el modelo para que se adaptara a cada participante, incorporando nuevos datos a medida que estaban disponibles después de cada nueva evaluación clínica.
Con este enfoque, los investigadores encontraron que el modelo conducía a una tasa de error significativamente menor en sus predicciones. Además, funcionó mejor que los modelos de aprendizaje automático existentes aplicados a datos clínicos.
Aún así, los investigadores dieron un paso más para asegurarse de que su enfoque dejara espacio para el menor error posible. Continuaron con el diseño de un modelo de "meta aprendizaje" que puede elegir el mejor enfoque para predecir los resultados cognitivos en cada participante.
Este modelo elige automáticamente entre la población general y el enfoque personalizado, calculando cuál es más probable que ofrezca la mejor predicción para cualquier individuo en un momento determinado.
Los investigadores encontraron que este enfoque redujo la tasa de error de las predicciones hasta en un 50% adicional.
"No pudimos encontrar un modelo único o una combinación fija de modelos que nos pudiera dar la mejor predicción", explica Rudovic.
“Así que queríamos aprender a aprender con este esquema de meta aprendizaje. Es como un modelo sobre un modelo que actúa como un selector, entrenado usando metaconocimiento para decidir qué modelo es mejor implementar ".
Ognjen Rudovic
En el futuro, el equipo tiene como objetivo formar una sociedad con una compañía farmacéutica para probar este modelo en un ensayo en curso sobre la enfermedad de Alzheimer.
