Demenz Wirksam Verzögern: Die Yonsei University Fand Heraus, Dass Das Gradient-Boosting-Machine-Modell Das BPSD-Subsyndrom Genau Vorhersagen Kann

Inhalte im Überblick:Angesichts der fortschreitenden Alterung der Bevölkerung ist Demenz zu einem Problem der öffentlichen Gesundheit geworden. Derzeit kann die medizinische Gemeinschaft diese Krankheit nur mit Medikamenten behandeln, um die Symptome zu lindern, und hat noch kein wirksames Heilmittel gefunden. Daher ist die Prävention von Demenz besonders dringend. Vor diesem Hintergrund haben Forscher der Yonsei-Universität mehrere maschinelle Lernmodelle zur Vorhersage von BPSD entwickelt und validiert. Die experimentellen Ergebnisse zeigten, dass maschinelles Lernen BPSD-Subsyndrome effektiv vorhersagen kann.

Schlüsselwörter:Demenz-BPSD-Gradientenverstärkungsmaschine

Dieser Artikel wurde zuerst auf der öffentlichen HyperAI WeChat-Plattform veröffentlicht~

Derzeit leiden weltweit über 550 Millionen Menschen an Demenz (die häufigste Form ist die Alzheimer-Krankheit), und jedes Jahr kommen fast 10 Millionen Neuerkrankungen hinzu.Angesichts der fortschreitenden Alterung der Bevölkerung wird sich diese Zahl bis 2050 voraussichtlich verdreifachen. Demenz ist eine Gehirnerkrankung, die zu einem langsamen Abbau des Gedächtnisses sowie der Denk- und Urteilsfähigkeit einer Person führt. Die Krankheit betrifft vor allem ältere Menschen und ist eine der Hauptursachen für den Verlust der Unabhängigkeit bei älteren Menschen. Sie ist die siebthäufigste Todesursache weltweit (nach der Gesamtzahl der Todesfälle), wobei die drei häufigsten Todesursachen die ischämische Herzkrankheit, der Schlaganfall und die chronisch obstruktive Lungenerkrankung sind.

Typischerweise weisen Demenzpatienten neben kognitiven Beeinträchtigungen eine Reihe von Verhaltens- und psychischen Symptomen (BPSD) auf, wie etwa Unruhe, Aggression, Apathie und Depression.Diese Symptome stellen die komplexesten und schwierigsten Probleme in der Demenzpflege dar. Sie verhindern nicht nur, dass die Patienten ein selbstbestimmtes Leben führen können, sondern stellen auch eine erhebliche Belastung für die Pflegekräfte dar.

Kürzlich haben die Forscher Eunhee Cho und andere von der Yonsei-Universität in Südkorea mehrere maschinelle Lernmodelle zur Vorhersage von BPSD entwickelt und validiert.Die Studie wurde in der Fachzeitschrift Scientific Reports unter dem Titel „Machine learning‑based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation“ veröffentlicht.

   Die Forschungsergebnisse wurden in Scientific Reports veröffentlicht

Papieradresse:

https://www.nature.com/articles/s41598-023-35194-5

Datensatz

In dieser Studie wurden Daten in drei Chargen gesammelt, wobei Informationen von 187 Demenzpatienten für das Modelltraining und Informationen von weiteren 35 Patienten für die externe Validierung verwendet wurden. Bei der zweiten Datenerhebung handelte es sich um eine wiederholte Messung der Teilnehmer der ersten Datenerhebung, und für die dritte Datenerhebung wurden neue Teilnehmer zur Messung rekrutiert. In der StudieDie beim ersten und zweiten Mal gesammelten Daten werden als Trainingssätze verwendet, und der beim dritten Mal gesammelte Datensatz wird als Testsatz verwendet.

Um umfassende Charakteristika der Teilnehmer zu sammeln,Die Forscher untersuchten zunächst ihre Gesundheitsdaten (Alter, Geschlecht, Familienstand usw.) und Persönlichkeitstypen vor Ausbruch der Krankheit (Korean Big Five Personality Inventory BFI-K).Zweitens wurde ein Aktigraph verwendet, um den nächtlichen Schlaf und das Aktivitätsniveau zu überwachen, und schließlich wurde ein Symptomtagebuch verwendet, um die von den Pflegekräften wahrgenommenen Symptomauslöser (Hunger/Durst, Urinieren/Defäkation, Schmerzen, Schlaflosigkeit, Lärm usw.) und die 12 BPSDs aufzuzeichnen, die täglich bei den Patienten auftraten. Auch,Diese Symptome werden auch in 7 Untersyndrome unterteilt.Die folgende Abbildung bietet eine visuelle Darstellung der Aufzeichnung der Daten aus dem Bewegungsaufzeichnungsgerät und dem Symptomtagebuch.

Tabelle 1:Statistiken zu Bewegungsaufzeichnungsgeräten und Symptomtagebüchern

SD:Standardabweichung

TST:Gesamtschlafzeit

WASO:Aufwachzeit nach dem Einschlafen

Nr. A:Anzahl der Weckvorgänge

MAL:Weckzeit

METs:Stoffwechseläquivalent

MVPA:Mäßige bis intensive körperliche Aktivität

BPSD:Verhaltens- und psychische Symptome von Demenz

Andere Gründe:Andere vom Betreuer wahrgenommene BPSD-Auslöser (Behandlung, Albträume usw.)

Aus Gründen wie mangelnder Compliance der Teilnehmer oder unsachgemäßem Tragen des Geräts fehlten jedoch die Daten des Aktivitätsrekorders. Laut Statistik machten diejenigen mit fehlenden Daten 36% der Gesamtteilnehmerzahl aus, wobei pro Person im Durchschnitt 0,9 Tage an Daten fehlten. daher,Zur Behandlung dieser fehlenden Daten wurde eine multivariate Imputation unter Verwendung verketteter Gleichungen angewendet.

Experimentelle Verfahren

Die Forscher trainierten vier Modelle, um das beste Modell zur Vorhersage jedes Subsyndroms zu bestimmen. Auf Grundlage der Erkenntnisse können Forscher diese Modelle möglicherweise zur klinischen Überwachung und Vorhersage von BPSD-Subsyndromen anwenden.Gleichzeitig werden Interventionen zu potenziellen Faktoren durchgeführt, die BPSD beeinflussen, um patientenzentrierte Demenzpflegedienste zu erreichen. Darüber hinaus können Algorithmen des maschinellen Lernens in Smartphone-Anwendungen eingebettet werden, um deren Wert weiter zu steigern.

Modellleistung 

Die Forscher verwendeten vier Algorithmen des maschinellen Lernens, darunter logistische Regression, Random Forest, Gradient Boosting Machine und Support Vector Machine.Die Leistung des Modells wurde anhand der jeweiligen einzigartigen Lernalgorithmen bewertet und das beste Modell zur Vorhersage von BPSD-Subsyndromen ausgewählt.Dabei ist das logistische Regressionsmodell das gebräuchlichste und ausgereifteste und wird daher als Benchmark-Modell zur Beurteilung der Leistungsverbesserung des maschinellen Lernens verwendet.

Basierend auf dem Trainingsset, durch fünffache Kreuzvalidierung,Die Leistung verschiedener Modelle bei der Vorhersage von BPSD-Subsyndromen wird in der folgenden Abbildung dargestellt:

Tabelle 2: Leistung verschiedener Modelle bei der Vorhersage von BPSD-Subsyndromen basierend auf dem Trainingsset

AUC:Fläche unter der ROC-Kurve

LR:Logistisches Regressionsmodell

RF:Random-Forest-Modell

GBM:Modell einer Gradientenverstärkungsmaschine

SVM:Support Vector Machine-Modell

ROC-Kurve:Die ROC-Kurve (Receiver Operating Characteristic Curve) ist ein grafisches Tool zur Darstellung der Leistung eines Klassifikators.

AUC-Wert:Der AUC-Wert (Area Under the Curve) stellt die Fläche unter der ROC-Kurve dar und wird zur Messung der Klassifikatorleistung verwendet. Je näher der AUC-Wert bei 1 liegt, desto besser ist die Klassifikatorleistung.

Tabelle 2 zeigt, dassDas Gradient-Boosting-Machine-Modell hatte höhere AUC-Werte bei der Vorhersage von ADHS (0,706), affektiven Symptomen (0,747) und Essstörungen (0,816);Das Support Vector Machine-Modell hatte den höchsten AUC-Wert (0,706) bei der Vorhersage psychiatrischer Symptome; das Random-Forest-Modell hatte den höchsten AUC-Wert (0,942) bei der Vorhersage von Schlaf- und Nachtverhalten; und das logistische Regressionsmodell hatte den höchsten AUC-Wert bei der Vorhersage von abnormalem Aktivitätsverhalten (0,822) und pathologischer Euphorie (Euphorie/Hochgefühl, 0,696).

Modellvalidierung 

Die Forscher verwendeten eine externe Validierungsmethode, um das Modell anhand des dritten gesammelten Datensatzes zu überprüfen.Die Leistung verschiedener Modelle bei der Vorhersage von BPSD-Subsyndromen wird auf Grundlage des Testsatzes in der folgenden Abbildung dargestellt:

Tabelle 3: Leistung verschiedener Modelle bei der Vorhersage des BPSD-Subsyndroms basierend auf dem Testdatensatz

AUC:Fläche unter der ROC-Kurve

LR:Logistisches Regressionsmodell

RF:Random-Forest-Modell

GBM:Modell einer Gradientenverstärkungsmaschine

SVM:Support Vector Machine-Modell

Tabelle 3 zeigt, dassIm Vergleich zum logistischen Regressionsmodell schneidet das Modell des maschinellen Lernens besser ab.. Insbesondere ist die Leistung von Random-Forest- und Gradient-Boosting-Machine-Modellen bei den meisten Subsyndromen besser als die von Modellen der logistischen Regression und Support-Vector-Machine. Das Random-Forest-Modell weist einen höheren AUC-Wert als andere Vorhersagemodelle bei der Vorhersage von ADHS (0,835), pathologischer Euphorie (0,968) und Essstörungen (0,888) auf. das Gradient-Boosting-Machine-Modell hat einen höheren AUC-Wert als andere Vorhersagemodelle bei der Vorhersage psychiatrischer Symptome (0,801); Das Support Vector Machine-Modell hat den höchsten AUC-Wert im Schlaf- und Nachtverhalten (0,929).

Durch die Kombination der Informationen aus den beiden Diagrammen stellten die Forscher fest, dass bei der Vorhersage von 7 SubsyndromenDas Gradient-Boosting-Machine-Modell weist den höchsten durchschnittlichen AUC-Wert auf, was bedeutet, dass es die beste Leistung bringt.Gleichzeitig weisen die Forscher auch darauf hin, dass bei kleinen Stichprobengrößen des Testdatensatzes die Ergebnisse der Vorhersageleistung mit Vorsicht zu beurteilen sind.Es wird empfohlen, in Zukunft wiederholte Experimente mit größeren Stichprobengrößen durchzuführen, um genauere Vorhersageergebnisse zu erhalten.

Nationale Erfolge: Demenz-Ausbruch zehn Jahre im Voraus vorhersagen

Im Hinblick auf die Vorhersage von Demenzerkrankungen hat neben anderen Ländern auch China bemerkenswerte Ergebnisse erzielt.Im vergangenen September entwickelte das klinische Forschungsteam von Yu Jintai, Chefarzt der Abteilung für Neurologie am Huashan-Krankenhaus der Universität Fudan, in Zusammenarbeit mit dem Algorithmenteam von Professor Feng Jianfeng und dem Nachwuchsforscher Cheng Wei vom Institut für vom Gehirn inspirierte Intelligenzwissenschaft und -technologie der Universität Fudan das Demenzvorhersagemodell UKB-DRP.

Das Modell kann vorhersagen, ob eine Person in den nächsten fünf, zehn oder sogar noch längeren Jahren an der Krankheit erkranken wird.Screening für Menschen im Frühstadium einer Demenz, einschließlich Demenz aller Ursachen und ihrer wichtigsten Unterformen (wie etwa der Alzheimer-Krankheit). Die Forschungsergebnisse wurden in Electronic Clinical Medicine, einer Tochtergesellschaft von The Lancet, veröffentlicht.

Papieradresse:

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext

Dieses Forschungsergebnis belegt zudem die Innovationskraft und das wissenschaftliche Forschungsniveau des Landes im Bereich der Demenzvorhersage. Durch die Beteiligung weiterer Institutionen und Forschungsteams sowie die Ansammlung umfassenderer und vielfältigerer Daten erwarten wir in Zukunft mehr Zusammenarbeit und Fortschritte im In- und Ausland.Mithilfe künstlicher Intelligenz und Big-Data-Analysen können wir einen größeren Beitrag zur Prävention, Behandlung und Bewältigung von Demenz leisten und Patienten und ihren Familien mehr Hoffnung und Wohlbefinden bringen.