認知症を効果的に遅らせる：延世大学、勾配ブースティングマシンモデルがBPSD亜症候群を正確に予測できることを発見
内容の概要:人口の高齢化が進むにつれて、認知症は公衆衛生上の問題となっています。現在、医学界では薬物による治療しかなく、有効な治療法はまだ見つかっていないため、認知症の予防は特に急務となっています。このような背景から、延世大学の研究者は、BPSD を予測するための複数の機械学習モデルを開発し、これらのモデルを検証しました。実験結果は、機械学習が BPSD 亜症候群を効果的に予測できることを示しています。
キーワード:認知症BPSD勾配ブースティングマシン
この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~
現在、世界中で 5 億 5,000 万人以上が認知症に苦しんでおり (アルツハイマー病が最も一般的なタイプです)、毎年 1,000 万人近くが新たに発症しています。人口の高齢化が進むにつれて、この数は 2050 年までに 3 倍になると予想されています。認知症は、記憶力、思考力、推論能力がゆっくりと低下する脳の病気です。この病気は主に高齢者に影響を及ぼし、高齢者が自分自身の世話をする能力を失う主な原因の 1 つです (死亡者数の合計に関して) は、世界の主な死因の中で 7 位にランクされています。虚血性心疾患、脳卒中、慢性閉塞性肺疾患です。
通常、認知症患者は、認知障害に加えて、興奮、攻撃性、無関心、抑うつなどのさまざまな行動心理症状 (BPSD) も示します。これらの症状は認知症ケアにおいて最も複雑かつ困難な問題であり、患者の自立した生活を妨げるだけでなく、介護者にも大きな負担を与えます。
最近、韓国の延世大学の研究者Eunhee Choらは、BPSDを予測するための複数の機械学習モデルを開発し、検証した。この研究は、「認知症の行動的および心理的症状の発生に関する機械学習ベースの予測モデル: モデルの開発と検証」というタイトルで、Scientific Reports 誌に掲載されました。
研究結果はScientific Reportsに掲載されました
用紙のアドレス:
https://www.nature.com/articles/s41598-023-35194-5
データセット
この研究では、合計 187 人の認知症患者の情報をモデルのトレーニングに使用し、さらに 35 人の患者の情報を外部検証に使用して、データ収集を 3 回に分けて実施しました。 2 回目のデータ収集では、最初のデータ収集の参加者を繰り返し測定し、3 回目のデータ収集では測定のために新しい参加者を募集しました。研究では、最初と 2 番目に収集されたデータはトレーニング セットとして使用され、3 番目に収集されたデータ セットはテスト セットとして使用されました。
参加者から総合的な特徴情報を収集するため、研究者らはまず、病気の発症前の健康データ（年齢、性別、婚姻状況など）と性格タイプ（BFI-K）を調査しました。次に、物理的アクチグラフを使用して夜間の睡眠と活動レベルを監視し、最後に症状日記を使用して介護者が認識した症状の誘因（空腹/喉の渇き、排尿/排便、痛み、不眠症、騒音など）と12種類を記録しました。患者が毎日経験するBPSDの原因。また、これらの症状は 7 つのサブ症候群にも分類されます。以下の図は、身体活動レコーダーと症状日記データの記録を視覚的に示しています。
表 1:身体活動レコーダーと症状日記の統計
SD：標準偏差
TST:総睡眠時間
ワソ:入眠後の起床時間
いいえ:起床時間
マル:起きている時間
メッツ:代謝当量
MVPA:中程度から激しい身体活動
BPSD:認知症の行動および心理症状
その他の理由:介護者が認識するその他の BPSD トリガー (治療、悪夢など)
しかし、参加者の不服従またはデバイスの不適切な装着により、アクティグラフィー データが欠落していたという統計によると、参加者全体のうち 36% がデータを欠落しており、各人は平均 0.9 日分のデータが欠落していました。したがって、研究者らは、欠落データのこの部分に対処するために、多変量代入法 (連鎖方程式を使用して多変量代入法を適用しました) を使用しました。
実験プロセス
研究者らは、各サブ症候群を予測するための最適なモデルを決定するために 4 つのモデルをトレーニングしました。この発見に基づいて、研究者はこれらのモデルをBPSD亜症候群の臨床モニタリングと予測に適用できます。同時に、BPSDの潜在的な影響因子にも介入し、患者中心の認知症ケアサービスを実現していきます。さらに、機械学習アルゴリズムをスマートフォン アプリケーションに組み込むことで、アプリケーションの価値をさらに高めることができます。
モデルのパフォーマンス
研究者らは、ロジスティック回帰、ランダム フォレスト、勾配ブースティング マシン、サポート ベクター マシンを含む 4 つの機械学習アルゴリズムを使用しました。独自の学習アルゴリズムを通じてモデルのパフォーマンスが評価され、BPSD 亜症候群の予測に最適なモデルが選択されました。ここで、ロジスティック回帰モデルは最も一般的で成熟しているため、機械学習のパフォーマンス向上を判断するためのベンチマーク モデルとして使用されます。
トレーニング セットに基づいて、5 段階の相互検証を通じて、BPSD 亜症候群の予測におけるさまざまなモデルのパフォーマンスは次のとおりです。
表 2: トレーニング セットに基づいた BPSD 亜症候群の予測におけるさまざまなモデルのパフォーマンス
AUC:ROC 曲線下の面積
LR:ロジスティック回帰モデル
RF:ランダムフォレストモデル
GBM:勾配ブースティングマシンモデル
SVM:サポートベクターマシンモデル
ROC 曲線:ROC (受信者動作特性曲線) 曲線は、分類器のパフォーマンスを示すグラフィカル ツールです。
AUC値:AUC (曲線下面積) 値は ROC 曲線の下の面積を表し、分類器のパフォーマンスを測定するために使用されます。 AUC 値が 1 に近づくほど、分類器のパフォーマンスが向上します。
表 2 に示すように、勾配ブースティング マシン モデルは、ADHD (0.706)、情動症状 (0.747)、および摂食障害 (0.816) の予測において、より高い AUC 値を示します。精神症状の予測では、サポート ベクター マシン モデルの AUC 値 (0.706) が最も高く、睡眠および夜間行動の予測ではロジスティック回帰モデルの AUC 値 (0.822) が最も高くなります。活動行動 (0.822) と病的幸福感 (Euphoria) /高揚感、0.696) が最も高い AUC 値を示します。
モデルの検証
研究者らは外部検証手法を使用して、収集された 3 番目のデータセットでモデルを検証しました。テストセットに基づいて、BPSD 亜症候群を予測する際のさまざまなモデルのパフォーマンスは次のとおりです。
表 3: テスト データ セットに基づいた BPSD 亜症候群の予測におけるさまざまなモデルのパフォーマンス
AUC:ROC 曲線下の面積
LR:ロジスティック回帰モデル
RF:ランダムフォレストモデル
GBM:勾配ブースティングマシンモデル
SVM:サポートベクターマシンモデル
表 3 に示すように、ロジスティック回帰モデルと比較して、機械学習モデルのパフォーマンスが優れている。具体的には、ほとんどのサブ症候群では、ランダム フォレスト モデルと勾配ブースティング マシン モデルのパフォーマンスがロジスティック回帰モデルとサポート ベクター マシン モデルよりも優れており、ランダム フォレスト モデルは ADHD (0.835) と病的多幸感 (0.968) の予測に優れています。摂食障害 (0.888) は他の予測モデルよりも、精神症状の予測においては勾配ブースティング マシン モデルの AUC 値が高い (0.801)。 サポート ベクター マシン モデルは睡眠と夜間の行動の AUC 値が高い (0.929)。 ) は AUC 値が最も高くなります。
2 つのグラフからの情報を組み合わせることで、研究者らは 7 つのサブ症候群を予測する際に次のことを発見しました。勾配ブースティング マシン モデルは最も高い平均 AUC 値を持ち、つまり最高のパフォーマンスを発揮します。同時に、研究者らは、テストデータセットのサンプルサイズが小さい場合、予測パフォーマンスの結果を慎重に外挿する必要があることも思い出させました。また、より正確な予測結果を得るために、より大きなサンプルサイズで繰り返し実験を行うことも推奨されます。
国内実績：認知症の発症を10年前に予測
認知症の予測に関しては、海外に加え、国内でも顕著な成果が出ています。昨年9月、復丹大学付属華山病院神経内科主任医師の余金泰氏の臨床研究チームと、復丹大学脳知能科学技術研究所の馮建峰教授と程偉教授のアルゴリズムチームが共同研究を行った。大学は UKB-DRP 認知症予測モデルを開発しました。
このモデルは、個人が今後 5 年、10 年、あるいはそれ以上で病気を発症するかどうかを予測できます。全原因認知症とその主要なサブタイプ（アルツハイマー病など）を含む、認知症の初期段階にある人々のスクリーニング。研究結果は、ランセットのサブジャーナル「電子臨床医学」に掲載された。
用紙のアドレス:
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext
この研究結果は、認知症予測分野における同国の革新力と科学研究レベルも示している。将来的には、より多くの機関や研究チームが参加し、より包括的で多様なデータが蓄積されることで、国内外での協力と進歩がさらに進むことが期待されます。人工知能とビッグデータ分析の力を活用すれば、認知症の予防、治療、管理にさらに貢献し、患者と家族により多くの希望と幸福をもたらすことができます。