Retarder Efficacement La Démence : L'université Yonsei a Découvert Que Le Modèle De Machine À Gradient Boosting Peut Prédire Avec Précision Le Sous-syndrome BPSD

Contenu en un coup d'œil :Alors que la population continue de vieillir, la démence est devenue un problème de santé publique. À l’heure actuelle, la communauté médicale ne peut traiter cette maladie qu’au moyen de médicaments pour soulager les symptômes, et n’a pas encore trouvé de remède efficace. Il est donc particulièrement urgent de prévenir la démence. Dans ce contexte, des chercheurs de l’Université Yonsei ont développé et validé plusieurs modèles d’apprentissage automatique pour prédire les SCPD. Les résultats expérimentaux ont montré que l’apprentissage automatique peut prédire efficacement les sous-syndromes BPSD.

Mots-clés:Machine d'amplification du gradient de démence BPSD

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Actuellement, plus de 550 millions de personnes dans le monde souffrent de démence (la maladie d’Alzheimer est le type le plus courant), avec près de 10 millions de nouveaux cas chaque année.À mesure que la population continue de vieillir, ce nombre devrait tripler d’ici 2050. La démence est une maladie du cerveau qui provoque un déclin lent de la mémoire, de la réflexion et des capacités de raisonnement d’une personne. La maladie touche principalement les personnes âgées et constitue l’une des principales causes de perte d’autonomie chez les personnes âgées. Elle se classe au septième rang des principales causes de décès dans le monde (classées selon le nombre total de décès), les trois premières étant les cardiopathies ischémiques, les accidents vasculaires cérébraux et la bronchopneumopathie chronique obstructive.

En règle générale, les patients atteints de démence présentent une gamme de symptômes comportementaux et psychologiques (SCPD) tels que l’agitation, l’agressivité, l’apathie et la dépression, en plus de troubles cognitifs.Ces symptômes constituent les problèmes les plus complexes et les plus difficiles à résoudre dans le cadre des soins aux personnes atteintes de démence. Non seulement ils empêchent les patients de vivre de manière autonome, mais ils représentent également une charge considérable pour les soignants.

Récemment, les chercheurs Eunhee Cho et d’autres de l’Université Yonsei en Corée du Sud ont développé et validé plusieurs modèles d’apprentissage automatique pour prédire les SCPD.L'étude a été publiée dans la revue Scientific Reports sous le titre « Modèles prédictifs basés sur l'apprentissage automatique pour l'apparition de symptômes comportementaux et psychologiques de la démence : développement et validation de modèles ».

   Les résultats de la recherche ont été publiés dans Scientific Reports

Adresse du document :

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

Ensemble de données

Cette étude a recueilli des données en trois lots, en utilisant les informations de 187 patients atteints de démence pour la formation du modèle et les informations de 35 autres patients pour la validation externe. La deuxième collecte de données était une mesure répétée des participants à la première collecte de données, et la troisième collecte de données a recruté de nouveaux participants pour la mesure. Dans l'étude,Les données collectées lors de la première et de la deuxième fois sont utilisées comme ensembles d’entraînement, et l’ensemble de données collectées lors de la troisième fois est utilisé comme ensemble de test.

Afin de recueillir des informations caractéristiques complètes sur les participants,Les chercheurs ont d’abord étudié leurs données de santé (âge, sexe, état matrimonial, etc.) et leurs types de personnalité avant l’apparition de la maladie (Korean Big Five Personality Inventory BFI-K).Deuxièmement, un actigraphe a été utilisé pour surveiller le sommeil nocturne et les niveaux d’activité, et enfin un journal des symptômes a été utilisé pour enregistrer les déclencheurs de symptômes perçus par les soignants (faim/soif, miction/défécation, douleur, insomnie, bruit, etc.) et les 12 SCPD survenus quotidiennement chez les patients. aussi,Ces symptômes sont également divisés en 7 sous-syndromes.La figure ci-dessous fournit une représentation visuelle de l’enregistrement des données de l’enregistreur d’activité physique et du journal des symptômes.

Tableau 1 :Statistiques des enregistreurs d'activité physique et des journaux de symptômes

SD:Écart type

TST :Durée totale du sommeil

WASO :Heure de réveil après s'être endormi

NoA :Nombre de réveils

MAL:L'heure du réveil

MET :Équivalent métabolique

APMV :Activité physique modérée à vigoureuse

SCPD :Symptômes comportementaux et psychologiques de la démence

Autres raisons :Autres déclencheurs de SCPD perçus par les soignants (traitement, cauchemars, etc.)

Cependant, pour des raisons telles que le non-respect des règles par les participants ou le port inapproprié de l'appareil, les données de l'enregistreur d'activité étaient manquantes. Selon les statistiques, les personnes ayant des données manquantes représentaient 36% du nombre total de participants, avec une moyenne de 0,9 jour de données manquantes par personne. donc,L’imputation multivariée a été appliquée à l’aide d’équations chaînées pour gérer ces données manquantes.

Procédures expérimentales

Les chercheurs ont formé quatre modèles pour déterminer le meilleur modèle pour prédire chaque sous-syndrome. Sur la base de ces résultats, les chercheurs pourraient être en mesure d’appliquer ces modèles à la surveillance clinique et à la prédiction des sous-syndromes BPSD.Parallèlement, des interventions sont menées sur les facteurs potentiels affectant les SCPD afin de parvenir à des services de soins de la démence centrés sur le patient. De plus, les algorithmes d’apprentissage automatique peuvent être intégrés dans les applications pour smartphones pour augmenter encore leur valeur.

Performances du modèle 

Les chercheurs ont utilisé quatre algorithmes d’apprentissage automatique, notamment la régression logistique, la forêt aléatoire, la machine de boosting de gradient et la machine à vecteurs de support.Les performances du modèle ont été évaluées par leurs algorithmes d’apprentissage uniques respectifs, et le meilleur modèle pour prédire les sous-syndromes BPSD a été sélectionné.Ici, le modèle de régression logistique est le plus courant et le plus mature, il est donc utilisé comme modèle de référence pour juger de l’amélioration des performances de l’apprentissage automatique.

Sur la base de l'ensemble d'entraînement, grâce à une validation croisée en cinq étapes,Les performances de différents modèles dans la prédiction des sous-syndromes BPSD sont illustrées dans la figure suivante :

Tableau 2 : Performances de différents modèles dans la prédiction des sous-syndromes de SCPD en fonction de l'ensemble d'apprentissage

ASC :Aire sous la courbe ROC

LR :Modèle de régression logistique

RF:Modèle de forêt aléatoire

GBM :Modèle de machine d'amplification de gradient

SVM :Modèle de machine à vecteurs de support

Courbe ROC :La courbe ROC (Receiver Operating Characteristic Curve) est un outil graphique permettant de représenter les performances d'un classificateur.

Valeur ASC :La valeur AUC (aire sous la courbe) représente l'aire sous la courbe ROC et est utilisée pour mesurer les performances du classificateur. Plus la valeur AUC est proche de 1, meilleures sont les performances du classificateur.

Le tableau 2 montre queLe modèle de machine à gradient boosting avait des valeurs d'AUC plus élevées pour prédire le TDAH (0,706), les symptômes affectifs (0,747) et les troubles de l'alimentation (0,816) ;Le modèle de machine à vecteurs de support avait la valeur AUC la plus élevée (0,706) pour prédire les symptômes psychiatriques ; le modèle de forêt aléatoire avait la valeur AUC la plus élevée (0,942) pour prédire le sommeil et le comportement nocturne ; et le modèle de régression logistique avait la valeur AUC la plus élevée pour prédire le comportement d'activité anormal (0,822) et l'euphorie pathologique (euphorie/exaltation, 0,696).

Validation du modèle 

Les chercheurs ont utilisé une méthode de validation externe pour vérifier le modèle sur le troisième ensemble de données collecté.Sur la base de l'ensemble de tests, les performances de différents modèles dans la prédiction des sous-syndromes BPSD sont présentées dans la figure suivante :

Tableau 3 : Performances de différents modèles dans la prédiction du sous-syndrome SCPD sur la base de l'ensemble de données de test

ASC :Aire sous la courbe ROC

LR :Modèle de régression logistique

RF:Modèle de forêt aléatoire

GBM :Modèle de machine d'amplification de gradient

SVM :Modèle de machine à vecteurs de support

Le tableau 3 montre queComparé au modèle de régression logistique, le modèle d’apprentissage automatique est plus performant.. Plus précisément, pour la plupart des sous-syndromes, les performances des modèles de forêt aléatoire et de machine à gradient boosting sont meilleures que celles des modèles de régression logistique et de machine à vecteurs de support ; le modèle de forêt aléatoire a une valeur AUC plus élevée que les autres modèles de prédiction pour prédire le TDAH (0,835), l'euphorie pathologique (0,968) et les troubles de l'alimentation (0,888) ; le modèle de machine à gradient boosting a une valeur AUC plus élevée que les autres modèles de prédiction pour prédire les symptômes psychiatriques (0,801) ; le modèle de machine à vecteurs de support présente la valeur AUC la plus élevée dans le comportement du sommeil et de la nuit (0,929).

En combinant les informations des deux graphiques, les chercheurs ont découvert qu'en termes de prédiction de 7 sous-syndromes,Le modèle de machine à gradient boosting présente la valeur AUC moyenne la plus élevée, ce qui signifie qu'il est le plus performant.Dans le même temps, les chercheurs ont également rappelé que lorsque la taille de l’échantillon de l’ensemble de données de test est petite, les résultats des performances de prédiction doivent être déduits avec prudence.Il est suggéré de mener à l’avenir des expériences répétées avec des échantillons de plus grande taille afin d’obtenir des résultats de prédiction plus précis.

Réalisations nationales : Prédire l'apparition de la démence dix ans à l'avance

En termes de prédiction de la démence, outre les pays étrangers, la Chine a également obtenu des résultats remarquables.En septembre dernier, l'équipe de recherche clinique de Yu Jintai, médecin-chef du département de neurologie de l'hôpital Huashan affilié à l'université de Fudan, en collaboration avec l'équipe d'algorithmes du professeur Feng Jianfeng et du jeune chercheur Cheng Wei de l'Institut des sciences et technologies de l'intelligence inspirée du cerveau de l'université de Fudan, a développé le modèle de prédiction de la démence UKB-DRP.

Le modèle peut prédire si un individu développera la maladie dans les cinq, dix ou même plus d’années à venir.Dépistage des personnes aux premiers stades de la démence, y compris la démence toutes causes confondues et ses principaux sous-types (comme la maladie d’Alzheimer). Les résultats de la recherche ont été publiés dans Electronic Clinical Medicine, une filiale de The Lancet.

Adresse du document :

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

Ce résultat de recherche démontre également la force d’innovation et le niveau de recherche scientifique du pays dans le domaine de la prédiction de la démence. À l’avenir, avec la participation d’un plus grand nombre d’institutions et d’équipes de recherche, et l’accumulation de données plus complètes et diversifiées, nous espérons voir davantage de coopération et de progrès au pays et à l’étranger.Grâce à la puissance de l’intelligence artificielle et de l’analyse des mégadonnées, nous pouvons contribuer davantage à la prévention, au traitement et à la gestion de la démence, et apporter plus d’espoir et de bien-être aux patients et à leurs familles.