Inteligência artificial para prever doenças neurodegenerativas

Introdução

Na população geral mais velha, as doenças neurodegenerativas (ND) estão associadas ao aumento da incapacidade e diminuição da função física e cognitiva. A detecção de fatores de risco pode ajudar a implementar medidas de prevenção. Usando redes neurais profundas (DNN), um algoritmo de aprendizado de máquina pode ser uma alternativa à regressão de Cox em conjuntos de dados tabulares com muitos recursos preditivos.

Com isso, Aguayo e colaboradores compararam o desempenho de diferentes tipos de redes neurais profundas (DNN) com modelos de riscos proporcionais de Cox regularizados na previsão de doenças neurodegenerativas (ND) na população idosa em geral.

Métodos

Os pesquisadores realizaram uma análise longitudinal com participantes do English Longitudinal Study of Aging. Homens e mulheres, com mais de 60 anos, avaliados sem ND foram incluídos na linha de base a cada 2 anos de 2004 a 2005 a 2016-2017. As características foram um conjunto de 91 variáveis ​​clínicas e epidemiológicas basais.

O resultado foram novos eventos de Parkinson, Alzheimer ou demência. Depois de aplicar múltiplas imputações, treinaram três algoritmos DNN: Feedforward, TabTransformer e Dense Convolutional (Densenet). Além disso, treinaram dois algoritmos baseados em modelos Cox: regularização Elastic Net (CoxEn) e características selecionadas (CoxSf).

Resultados

Foram incluídos 5.433 participantes no ciclo 2. Durante o acompanhamento, 12,7% dos participantes desenvolveram doenças neurodegenerativas (DN). Embora todos os cinco modelos tenham previsto eventos de DN, o poder de discriminação foi superior usando o TabTransformer (estatística C de Um (coeficiente (intervalos de confiança de 95%)) 0,757 (0,702, 0,805).

Devido às camadas baseadas em atenção, o TabTransformer funciona bem com dados heterogêneos, particularmente ao lidar com entradas categóricas, o que outras redes neurais não fazem. Na avaliação dependente do tempo, a ferramenta, em comparação com os outros modelos, teve desempenho semelhante em AUC e precisão balanceada, ligeiramente pior em sensibilidade e melhor em especificidade nos anos 4 e 6 de acompanhamento. A previsão de DN a médio e longo prazo é relevante porque essas condições apresentam longos períodos prodrômicos.

A ferramenta mostrou maior precisão balanceada dependente do tempo (0,834 (0,779, 0,889) e especificidade (0,855 (0,773, 0,909)) do que os outros modelos. Com o CoxSf (razão de risco (intervalos de confiança de 95%), idade (10, 0 (6,9, 14,7)), má audição (1,3 (1,1, 1,5)) e perda de peso 1,3 (1,1, 1,6)) foram associados ao aumento do risco de DNN. Pelo contrário, função executiva (0,3 (0,2, 0,6)), memória (0, 0, 0,1)), aumento da velocidade da marcha (0,2, (0,1, 0, 4)), atividade física vigorosa (0,7, 0,6, 0,9) e maior índice de massa corporal (IMC) (0,4 (0,2, 0,8)) foram associados a um menor risco de DNN.

Figura 1: Avaliação dependente do tempo de modelos que predizem novos eventos de doenças neurodegenerativas. As curvas representam a evolução do desempenho avaliado com AUC dependente do tempo, precisão balanceada, sensibilidade e especificidade para cada um dos cinco modelos. Painel A: A AUC média de 40 conjuntos de dados de teste imputados em 4, 6, 8, 10 e 12 anos após a inscrição. Painel B: A média de precisão balanceada de 40 conjuntos de dados de teste imputados em 4, 6, 8, 10 e 12 anos após a inscrição. Painel C: A sensibilidade média de 40 conjuntos de dados de teste imputados em 4, 6, 8, 10 e 12 anos após a inscrição. Painel D: A especificidade média de 40 conjuntos de dados de teste imputados em 4, 6, 8, 10 e 12 anos após a inscrição.