J Alzheimers Dis：利用机器学习方法建立痴呆预测模型--疾病状态指数
2017-01-02 MedSci MedSci原创
一个新型老年痴呆预测模型——疾病状态指数（Disease State Index，DSI），可能有助于预测10年后的疾病风险。DSI是一个经过验证的风险评估工具，利用“机器学习”方法分析大量健康信息。该研究在线发表于12月6日的Journal of Alzheimer's Disease. 研究者Alina Solomon（东芬兰大学）表示，“我们很高兴看到这个工具能够很好的预测痴呆。”不过她强
一个新型老年痴呆预测模型——疾病状态指数（Disease State Index，DSI），可能有助于预测10年后的疾病风险。DSI是一个经过验证的风险评估工具，利用“机器学习”方法分析大量健康信息。该研究在线发表于12月6日的Journal of Alzheimer's Disease.
研究者Alina Solomon（东芬兰大学）表示，“我们很高兴看到这个工具能够很好的预测痴呆。”不过她强调，DSI不能用于痴呆诊断，但可有助于作出决定和制定预防痴呆的策略。
人工智能
这种类型的大数据人工智能只是刚开始被用于痴呆预防中。相比之前一些用于计算痴呆风险评分的方法，DSI的主要优势在于其处理大量异构数据、缺失数据和利用未加工数据的能力。机器学习可以提高预测能力。之前DSI尚未在认知未受损的普通人群中被观察过。有趣的是，DSI联合疾病状态指数方法可以以一种简单、快速可说明的视觉形式呈现结果。
这项心血管危险因素、衰老和痴呆（CAIDE）队列研究最初包括1449例年龄在65～79岁的参与者，且在随访时进行各种各样的检查，包括MRI、血液测试和神经心理学评估。
研究人员纳入709例CAIDE研究中被归类为首次研究访问时认知正常的参与者，并在10年后进行第二次重新检查。
经过验证的结果
在首次随访时（基线时）无痴呆或轻度认知障碍的参与者中，39例在第二次重新检查时出现痴呆。
复合DSI包括认知和血管因素、主观记忆状态和APOE基因型，显示显著的曲线下面积（AUC，0.79）和非常狭窄的95%置信区间（CI; 0.79 - 0.80）。
研究者还对来自芬兰医院出院登记、药物报销记录和死亡原因登记中的1009例患者的记录进行观察。在这些参与者中，151例患者在平均9.0年的随访期间罹患痴呆。这一扩展人群的复合DSI AUC也很显著（0.75; 95% CI, 0.74 - 0.75）。
表.DSI以及联合其它因素预测痴呆的效果表
这些详细、可视、易于描述的个别风险状况可能有助于采取痴呆预防干预措施。Solomon指出，我们开发DSI用以支持临床决策的指定，而且我们也热衷于探索其可能的实际应用。
ROC curves for the late-life DSI dementia index in the main and extended study populations.
然而，我们仍需要在非芬兰人群中对其进行验证，并观察在其他年龄人群中是否同样有效，或者随着时间的推移能否监测风险水平。
这只是众多预测工具中的一个。我认为我们需要一系列工具——从简单的工具到复杂的工具。而且我们还需要知晓该风险预测与预防策略之间的联系，从而我们才能识别出那些更可能从干预措施中获益的人群。
原始出处：
Pekkala T, Hall A, Lötjönen J, Mattila J, Soininen H, Ngandu T, Laatikainen T, Kivipelto M, Solomon A. Development of a Late-Life Dementia Prediction Index with Supervised Machine Learning in the Population-Based CAIDE Study.J Alzheimers Dis. 2017;55(3):1055-1067.
作者：MedSci
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#ERS#
39
#疾病状态#
39
#alzheimers#
35
#预测模型#
40
#MERS#
32