Los investigadores proponen una estrategia basada en datos para estratificar el riesgo de progresión del deterioro cognitivo leve a la enfermedad de Alzheimer.
Cuantificar el riesgo de progresión podría ayudar a identificar a las personas que podrían beneficiarse de las intervenciones tempranas.
|
Aspectos destacados • Desarrollamos un modelo de aprendizaje profundo para estratificar el riesgo de progresión a la enfermedad de Alzheimer. • Medimos la generalización del modelo en una cohorte externa. • Evaluamos la alineación de la patología de la enfermedad de Alzheimer y las etiquetas clínicas. • Encontramos regiones cerebrales relevantes que son importantes para predecir el riesgo de progresión. |
Resumen
La cuantificación del riesgo de progresión a la enfermedad de Alzheimer (EA) podría ayudar a identificar a las personas que podrían beneficiarse de las intervenciones tempranas. Utilizamos datos de la Iniciativa de neuroimagen de la enfermedad de Alzheimer (ADNI, n = 544, cohorte de descubrimiento) y el Centro de coordinación nacional de Alzheimer (NACC, n = 508, cohorte de validación), subdividiendo a las personas con deterioro cognitivo leve (DCL) en función de su riesgo de avanzar a la EA. "Cuantificar el riesgo de progresión a la enfermedad de Alzheimer (EA) podría ayudar a grupos de riesgo según el líquido cefalorraquídeo amiloide-β niveles e identificar patrones diferenciales de materia gris. Luego, creamos modelos que fusionaron redes neuronales con análisis de supervivencia, entrenados con resonancias magnéticas cerebrales ponderadas en T1 no fragmentadas a partir de datos de ADNI, para predecir las trayectorias de conversión de deterioro cognitivo leve (DCL) en función de su riesgo de avanzar a la EA. Confirmamos las etiquetas de diagnóstico de EA utilizando datos post-mortem. Concluimos que nuestro marco proporciona una estrategia para la estratificación basada en el riesgo de individuos con MCI y para identificar regiones clave para el pronóstico de la enfermedad.
Comentarios
El costo proyectado del cuidado de millones de personas que padecen la enfermedad de Alzheimer (EA) en todo el mundo superará el billón de dólares en unos pocos años. Además de la enorme carga de salud, los pacientes y sus cuidadores experimentan tensión financiera, física y psicológica. Una teoría sobre el fracaso repetido de los medicamentos en la EA es que los pacientes que se someten a terapias experimentales se seleccionan demasiado tarde en el proceso de la enfermedad. Por lo tanto, es importante identificar a los pacientes con alto riesgo de progresión a EA en etapas tempranas de la enfermedad.
Para ayudar a identificar a las personas que podrían beneficiarse de las intervenciones tempranas, los investigadores de la Universidad de Boston han desarrollado un marco de aprendizaje profundo que puede estratificar a las personas con deterioro cognitivo leve (DCL) en función de su riesgo de avanzar a la EA.
"Cuantificar el riesgo de progresión a la enfermedad de Alzheimer (EA) podría ayudar a identificar a las personas que podrían beneficiarse de las intervenciones tempranas", dice el autor correspondiente Vijaya B. Kolachalama, PhD, FAHA, profesor asociado de medicina en la Facultad de Medicina Chobanian & Avedisian de la Universidad de Boston.
El equipo estudió datos de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI) y el Centro Nacional de Coordinación de la enfermedad de Alzheimer (NACC), separando a las personas con deterioro cognitivo leve (DCL) en grupos en función de los niveles de amiloide cerebral. Estudiaron patrones de volumen de materia gris dentro de estos grupos para identificar grupos de riesgo, validando sus hallazgos con evaluaciones de expertos. Desarrollaron modelos que combinaron redes neuronales con análisis de supervivencia para predecir el progreso de deterioro cognitivo leve (DCL) a la enfermedad de Alzheimer. Luego vincularon las predicciones de su modelo con evidencia biológica, confirmando los diagnósticos de Alzheimer con datos post-mortem.
"Al utilizar los avances en el aprendizaje automático interpretable, demostramos que las regiones del cerebro relevantes para la EA, como el lóbulo temporal medio, se encuentran entre las regiones más importantes para predecir el riesgo de progresión, asegurando así que nuestros hallazgos sean consistentes con el conocimiento médico establecido", agregó Kolachalama.
Según los investigadores, estos hallazgos representan una innovación en la intersección de la neurología y la informática, al tiempo que subrayan la conformidad del modelo con la evidencia biológica utilizando información recopilada de forma rutinaria, como la resonancia magnética estructural para cuantificar el riesgo de progresión de deterioro cognitivo leve (DCL) a Enfermedad de Alzheimer (ADNI).
"Utilizamos redes neuronales profundas basadas en la supervivencia junto con MRI estructural mínimamente procesada, una técnica no invasiva ampliamente disponible. Además, al emplear métodos de aprendizaje profundo de última generación junto con SH apley A dditive ex P lanations (SHAP), un método basado en la teoría de juegos cooperativos y utilizado para aumentar la transparencia y la interpretabilidad de los modelos de aprendizaje automático, pudimos identificar regiones particularmente importantes para predecir un mayor riesgo de progresión".
Estos hallazgos aparecen en línea en la revista iScience.
La financiación de este estudio fue apoyada por subvenciones de Karen Toffler Charitable Trust, la American Heart Association (20SFRN35460031) y los Institutos Nacionales de Salud (RF1-AG062109, R01-HL159620, R21-CA253498, R43-DK134273, RF1-AG072654, U19-AG068753 y P30-AG013846). Reconocemos el apoyo financiero de la Universidad de Boston, CTSI 1UL1TR001430, para nuestra Encuesta REDCap.