Model forudsiger kognitiv tilbagegang på grund af Alzheimers, op til to år ude

En ny model udviklet på MIT kan hjælpe med at forudsige, om patienter med risiko for Alzheimers sygdom vil opleve klinisk signifikant kognitiv tilbagegang på grund af sygdommen, ved at forudsige deres kognitionstestresultater op til to år ude i fremtiden.

Modellen kunne bruges til at forbedre udvælgelsen af ​​kandidatlægemidler og deltagerkohorter til kliniske forsøg, som hidtil har været notorisk mislykkede. Det vil også lade patienterne vide, at de kan opleve hurtig kognitiv tilbagegang i de kommende måneder og år, så de og deres nærmeste kan forberede sig.

Farmaceutiske firmaer i løbet af de sidste to årtier har sprøjtet hundredvis af milliarder af dollars ind i Alzheimers forskning. Alligevel har feltet været plaget af fiasko:Mellem 1998 og 2017, der var 146 mislykkede forsøg på at udvikle lægemidler til at behandle eller forebygge sygdommen, ifølge en rapport fra 2018 fra Pharmaceutical Research and Manufacturers of America. Til den tid, kun fire nye lægemidler blev godkendt, og kun for at behandle symptomer. Mere end 90 lægemiddelkandidater er i øjeblikket under udvikling.

Undersøgelser tyder på, at større succes med at bringe lægemidler på markedet kan komme til at rekruttere kandidater, der er i sygdommens tidlige stadier, før symptomer er tydelige, hvor behandlingen er mest effektiv. I et papir, der skal præsenteres i næste uge på Machine Learning for Health Care-konferencen, MIT Media Lab-forskere beskriver en maskinlæringsmodel, der kan hjælpe klinikere med at nulstille den specifikke kohorte af deltagere.

De trænede først en "befolkningsmodel" på et helt datasæt, der inkluderede klinisk signifikante kognitive testresultater og andre biometriske data fra Alzheimers patienter, og også raske individer, indsamlet mellem halvårlige lægebesøg. Ud fra data, modellen lærer mønstre, der kan hjælpe med at forudsige, hvordan patienterne vil score på kognitive tests taget mellem besøgene. I nye deltagere, en anden model, tilpasset til hver patient, opdaterer løbende scoreforudsigelser baseret på nyligt registrerede data, information indsamlet under de seneste besøg.

Eksperimenter viser, at der kan laves nøjagtige forudsigelser se fremad seks, 12, 18, og 24 måneder. Klinikere kunne således bruge modellen til at hjælpe med at udvælge udsatte deltagere til kliniske forsøg, som sandsynligvis vil udvise hurtig kognitiv tilbagegang, muligvis endda før andre kliniske symptomer viser sig. Tidlig behandling af sådanne patienter kan hjælpe læger med bedre at spore, hvilke antidementia -lægemidler der er og ikke virker.

"Nøjagtig forudsigelse af kognitiv tilbagegang fra seks til 24 måneder er afgørende for at designe kliniske forsøg, " siger Oggi Rudovic, en Media Lab-forsker. "At være i stand til præcist at forudsige fremtidige kognitive ændringer kan reducere antallet af besøg, som deltageren skal foretage, hvilket kan være dyrt og tidskrævende. Udover at hjælpe med at udvikle et nyttigt lægemiddel, Målet er at hjælpe med at reducere omkostningerne ved kliniske forsøg for at gøre dem mere overkommelige og udføres i større skalaer."

Sammen med Rudovic på papiret er:Yuria Utsumi, en bachelorstuderende, og Kelly Peterson, en kandidatstuderende, både i Institut for Elektroteknik og Datalogi; Ricardo Guerrero og Daniel Rueckert, begge fra Imperial College London; og Rosalind Picard, en professor i mediekunst og -videnskab og leder af affektiv computerforskning i Media Lab.

Befolkning til personalisering

For deres arbejde, forskerne udnyttede verdens største datasæt til kliniske forsøg med Alzheimers sygdom, kaldet Alzheimers Disease Neuroimaging Initiative (ADNI). Datasættet indeholder data fra omkring 1, 700 deltagere, med og uden Alzheimers, registreret under halvårlige lægebesøg over 10 år.

Data inkluderer deres AD Assessment Scale-cognition sub-scale (ADAS-Cog13) score, den mest udbredte kognitive metrik til kliniske forsøg med lægemidler til Alzheimers sygdom. Testen vurderer hukommelse, Sprog, og orientering på en skala med stigende sværhedsgrad op til 85 point. Datasættet indeholder også MR -scanninger, demografisk og genetisk information, og cerebrospinalvæskemålinger.

I alt, forskerne trænede og testede deres model på en underkohorte på 100 deltagere, som aflagde mere end 10 besøg og havde mindre end 85 procent manglende data, hver med mere end 600 beregningsfunktioner. Af disse deltagere 48 blev diagnosticeret med Alzheimers sygdom. Men data er sparsomme, med forskellige kombinationer af funktioner, der mangler for de fleste af deltagerne.

For at tackle det, forskerne brugte dataene til at træne en befolkningsmodel drevet af en "ikke-parametrisk" sandsynlighedsramme, kaldet Gaussiske processer (GP'er), som har fleksible parametre til at passe til forskellige sandsynlighedsfordelinger og til at behandle usikkerheder i data. Denne teknik måler ligheder mellem variabler, såsom patientdatapunkter, at forudsige en værdi for et uset datapunkt - såsom en kognitiv score. Outputtet indeholder også et estimat for, hvor sikkert det er omkring forudsigelsen. Modellen fungerer robust, selv når der analyseres datasæt med manglende værdier eller masser af støj fra forskellige dataindsamlingsformater.

Men, ved at evaluere modellen på nye patienter fra en udestående del af deltagerne, forskerne fandt ud af, at modellens forudsigelser ikke var så nøjagtige, som de kunne være. Så, de tilpassede befolkningsmodellen for hver ny patient. Systemet ville derefter gradvist udfylde datahuller med hvert nyt patientbesøg og opdatere forudsigelsen af ​​ADAS-Cog13-score i overensstemmelse hermed, ved løbende at opdatere de tidligere ukendte fordelinger af de praktiserende læger. Efter cirka fire besøg, de personaliserede modeller reducerede fejlprocenten i forudsigelser markant. Det var også bedre end forskellige traditionelle metoder til maskinlæring, der bruges til kliniske data.

At lære at lære

Men forskerne fandt, at de personaliserede modellers resultater stadig var suboptimale. For at rette op på det, de opfandt en ny "metalearning" -ordning, der lærer at vælge automatisk hvilken type model, befolkning eller personlig, fungerer bedst for enhver given deltager på et givet tidspunkt, afhængigt af de data, der analyseres. Metalearning er tidligere blevet brugt til computervision og maskinoversættelsesopgaver for at lære nye færdigheder eller hurtigt tilpasse sig nye miljøer med nogle få træningseksempler. Men det er første gang, det er blevet brugt til at spore kognitiv tilbagegang hos Alzheimers patienter, hvor begrænsede data er en hovedudfordring, siger Rudovic.

Skemaet simulerer i det væsentlige, hvordan de forskellige modeller udfører på en given opgave-såsom at forudsige en ADAS-Cog13-score-og lærer den bedste pasform. Under hvert besøg af en ny patient, ordningen tildeler den passende model, baseret på tidligere data. Med patienter med støjende, sparsomme data under tidlige besøg, for eksempel, befolkningsmodeller giver mere præcise forudsigelser. Når patienter starter med flere data eller indsamler mere gennem efterfølgende besøg, imidlertid, tilpassede modeller yder bedre.

Dette hjalp med at reducere fejlprocenten for forudsigelser med yderligere 50 procent. "Vi kunne ikke finde en enkelt model eller en fast kombination af modeller, der kunne give os den bedste forudsigelse, " siger Rudovic. "Så, vi ønskede at lære at lære med denne metallæringsordning. Det er som en model oven på en model, der fungerer som en vælger, trænet ved at bruge metaknowledge til at beslutte, hvilken model der er bedre at implementere."

Næste, forskerne håber på at samarbejde med medicinalfirmaer for at implementere modellen i den virkelige verden af ​​Alzheimers kliniske forsøg. Rudovic siger, at modellen også kan generaliseres til at forudsige forskellige målinger for Alzheimers og andre sygdomme.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.