Методы машинного обучения для предсказания когнитивного ухудшения при клинических испытаниях болезни Альцгеймера

Itinai.com an advertising picture for medical analysis labora 915ac954 fa9a 4006 a409 8f2063bef1ce 1

Предсказание Когнитивного Спадения при Болезни Альцгеймера с Помощью Машинного Обучения

Регистрация испытания: Neurology. 2025 Apr 22;104(8):e213490. DOI: 10.1212/WNL.0000000000213490.

Введение

В ходе клинических испытаний лечения болезни Альцгеймера (БА) 40% участников не демонстрируют когнитивного спада на протяжении 80 недель наблюдения. Выявление и исключение этих пациентов может повысить эффективность обнаружения эффектов лечения. Целью данного исследования было разработать модели предсказания на основе машинного обучения для идентификации лиц, у которых маловероятен когнитивный спад при плацебо-терапии на протяжении 80 недель.

Методы

Данные были взяты из плацебо-армии клинического испытания EXPEDITION3 и субпопуляции из Инициативы по Нейроимиджированию Болезни Альцгеймера (ADNI). Участниками EXPEDITION3 стали пациенты с легкой деменцией и биомаркерами амилоидной нагрузки. Участники были классифицированы как продемонстрировавшие клинически значимый когнитивный спад (КЗКС) или когнитивно стабильные (КС) на финальном визите (неделя 80). Модели машинного обучения были обучены для классификации участников на группы КЗКС и КС, используя комбинации демографических данных, генотипа APOE, нейропсихологических тестов и биомаркеров (объемная МРТ).

Результаты

Из 1,072 участников плацебо-армы EXPEDITION3, 894 имели необходимые данные для последующего наблюдения. Средний возраст участников составил 72.7 года (±7.7), из них 59% были женщинами. 55.8% участников показали КЗКС на финальном визите, будучи в среднем на 2 года моложе тех, кто не продемонстрировал спада. В независимой выборке внутри данных EXPEDITION3 все модели показали высокую чувствительность и умеренную специфичность. Положительные предсказательные значения (PPV) моделей были на 11% выше базовой распространенности КЗКС в конце испытания.

Обсуждение

Результаты показывают, что предсказательные модели могут улучшить дизайн клинических испытаний БА через селективные критерии включения и исключения на основе ожидаемого когнитивного спада. Эти модели требуют дальнейшей валидации на данных из различных клинических испытаний БА.

Практические решения для здравоохранения

На основе данных исследования можно выделить несколько направлений для улучшения клинической практики:

Анализ данных: Используйте подход машинного обучения для оценки рисков когнитивного спада среди пациентов.
Оценка результатов: Установите четкие цели для клиник и пациентов, основываясь на предсказаниях моделей.
Выбор инструментов ИИ: Подбирайте решения, подходящие для конкретных задач в области предсказания когнитивного спада.
Пошаговая реализация: Начните с пилотного проекта и отслеживайте результаты внедрения ИИ решений в реальной практике.