Aprendizaje automático para predecir enfermedades neurodegenerativas

Antecedentes

En la población general de mayor edad, las enfermedades neurodegenerativas (EN) se asocian con una mayor discapacidad, disminución de la función física y cognitiva. La detección de factores de riesgo puede ayudar a implementar medidas de prevención. Usando redes neuronales profundas (DNN), un algoritmo de aprendizaje automático podría ser una alternativa a la regresión de Cox en conjuntos de datos tabulares con muchas características predictivas.

Nuestro objetivo fue comparar el rendimiento de diferentes tipos de redes neuronales profundas (DNN) con modelos de riesgos proporcionales de Cox regularizados para predecir enfermedades neurodegenerativas (EN)  en la población general de mayor edad.

Métodos

Realizamos un análisis longitudinal con participantes del English Longitudinal Study of Ageing. Incluimos hombres y mujeres sin EN al inicio, mayores de 60 años, evaluados cada 2 años desde 2.004 a 2.005 a 2.016-2.017. Las características fueron un conjunto de 91 variables basales clínicas y epidemiológicas.

El resultado fueron nuevos eventos de Parkinson, Alzheimer o demencia. Después de aplicar múltiples imputaciones, entrenamos tres algoritmos DNN: Feedforward, TabTransformer y Dense Convolutional (Densenet). Además, entrenamos dos algoritmos basados ​​en modelos de Cox: regularización de Elastic Net (CoxEn) y características seleccionadas (CoxSf).

Resultados

Se incluyeron 5.433 participantes en el ciclo 2. Durante el seguimiento, el 12,7 % de los participantes desarrollaron enfermedades neurodegenerativas (EN). Aunque los cinco modelos predijeron eventos EN, la capacidad de discriminación fue superior usaENo TabTransformer (estadística C de Uno (coeficiente (intervalos de confianza del 95 %)) 0,757 (0,702, 0,805).

TabTransformer mostró una precisión equilibrada depeENiente del tiempo superior (0,834 (0,779, 0,889) y especificidad (0,855 (0,773, 0,909)) que los otros modelos Con la CoxSf (hazard ratio (intervalos de confianza del 95 %)), edad (10,0 (6,9, 14,7)), mala audición (1,3 (1,1, 1.5)) y la pérdida de peso 1.3 (1.1, 1.6)) se asociaron con un mayor riesgo de DNN. Por el contrario, función ejecutiva (0,3 (0,2, 0,6)), memoria (0, 0, 0,1)), mayor velocidad de la marcha (0,2, (0,1, 0,4)), actividad física vigorosa (0,7, 0,6, 0,9) y mayor índice de masa corporal (IMC) (0,4 (0,2, 0,8)) se asoció con un menor riesgo de DNN.

Figura: Evaluación dependiente del tiempo de modelos que predicen nuevos eventos de enfermedades neurodegenerativas. Las curvas representan la evolución del rendimiento evaluado con AUC dependiente del tiempo, precisión equilibrada, sensibilidad y especificidad para cada uno de los cinco modelos. Panel A: El promedio de AUC de 40 conjuntos de datos de prueba imputados en 4, 6, 8, 10 y 12 años después de la inscripción. Panel B: El promedio de precisión equilibrada de 40 conjuntos de datos de prueba imputados en 4, 6, 8, 10 y 12 años después de la inscripción. Panel C: El promedio de sensibilidad de 40 conjuntos de datos de prueba imputados en 4, 6, 8, 10 y 12 años después de la inscripción. Panel D: el promedio de especificidad de 40 conjuntos de datos de prueba imputados en 4, 6, 8, 10 y 12 años después de la inscripción.