Nauwkeurig voorspellen van de progressie van de ziekte van Alzheimer – Neuroscience News

By | January 28, 2024

Samenvatting: Onderzoekers ontwikkelden een innovatief, op leren gebaseerd raamwerk genaamd DETree om de progressie van de ziekte van Alzheimer nauwkeurig te voorspellen. Dit nieuwe hulpmiddel richt zich op de voortdurende aard van de ontwikkeling van Alzheimer.

Door de verschillende stadia van de ziekte efficiënt en nauwkeurig te voorspellen, stelt DETree patiënten en zorgverleners in staat beter te plannen voor toekomstige zorgbehoeften. Dit raamwerk, getest met behulp van gegevens van het Alzheimer’s Disease Neuroimaging Initiative, overtreft de nauwkeurigheid van bestaande voorspellende modellen en zou potentieel kunnen worden toegepast op andere neurodegeneratieve ziekten.

Belangrijke feiten:

  1. Het DETree-framework kan vijf klinische groepen van de ontwikkeling van de ziekte van Alzheimer met hoge nauwkeurigheid voorspellen.
  2. Deze tool biedt waardevolle inzichten in de voortgang van de ziekte en helpt patiënten en zorgverleners bij het plannen van toekomstige zorg.
  3. Uit onderzoek blijkt dat het gebruik van DETree bij andere ziekten met meerdere ontwikkelingsstadia, zoals Parkinson en Huntington, veelbelovend is.

Bron: UT Arlington

Volgens de Wereldgezondheidsorganisatie leven ongeveer 55 miljoen mensen wereldwijd met dementie. De meest voorkomende vorm is de ziekte van Alzheimer, een ongeneeslijke ziekte die ervoor zorgt dat de hersenfunctie verslechtert.

Naast de fysieke gevolgen heeft de ziekte van Alzheimer ook psychologische, sociale en economische gevolgen, niet alleen voor de mensen die met de ziekte leven, maar ook voor degenen die van hen houden en voor hen zorgen. Omdat de symptomen in de loop van de tijd verergeren, is het belangrijk dat zowel patiënten als hun zorgverleners zich voorbereiden op de eventuele noodzaak om de ondersteuning te vergroten naarmate de ziekte voortschrijdt.

Hierdoor kunnen ze de timing van latere stadia beter voorspellen, waardoor het gemakkelijker wordt om toekomstige behandelingen te plannen naarmate de ziekte vordert. Fotocredit: Neuroscience News

Daartoe hebben onderzoekers van de Universiteit van Texas in Arlington een nieuw, op leren gebaseerd raamwerk ontwikkeld om Alzheimerpatiënten te helpen precies te bepalen waar ze zich bevinden in het spectrum van de ziekteontwikkeling. Hierdoor kunnen ze de timing van latere stadia beter voorspellen, waardoor het gemakkelijker wordt om toekomstige behandelingen te plannen naarmate de ziekte vordert.

“Er zijn al tientallen jaren verschillende voorspellingsbenaderingen voorgesteld en geëvalueerd voor het voorspellende vermogen van de ziekte van Alzheimer en zijn voorloper, milde cognitieve stoornissen”, zegt Dajiang Zhu, universitair hoofddocent computerwetenschappen en techniek bij UTA. Hij is hoofdauteur van een nieuw peer-reviewed artikel dat open access is gepubliceerd Farmacologisch onderzoek.

“Veel van deze eerdere voorspellende instrumenten misten de voortdurende evolutie van de ziekte van Alzheimer en de overgangsfasen van de ziekte.”

In werk ondersteund door meer dan $ 2 miljoen aan subsidies van de National Institutes of Health en het National Institute on Aging, Zhu’s Medical Imaging and Neuroscience Discoveries Research Laboratory en Li Wang, universitair hoofddocent wiskunde aan de UTA, een nieuw op leren gebaseerd inbeddingsraamwerk , codeert de verschillende stadia van de ontwikkeling van de ziekte van Alzheimer in een proces dat zij de Disease-Embedding Tree of DETree noemen.

Met behulp van dit raamwerk kan DETree niet alleen elk van de vijf fijnmazige klinische groepen van de ontwikkeling van de ziekte van Alzheimer efficiënt en nauwkeurig voorspellen, maar ook meer gedetailleerde statusinformatie verschaffen door te projecteren waar de patiënt zich binnen deze groepen zal bevinden naarmate de ziekte voortschrijdt.

Om hun DETree-framework te testen, gebruikten onderzoekers gegevens van 266 mensen met de ziekte van Alzheimer van het multicenter Alzheimer’s Disease Neuroimaging Initiative. De resultaten van de DETree-strategie werden vergeleken met andere veelgebruikte methoden voor het voorspellen van de progressie van de ziekte van Alzheimer en het experiment werd verschillende keren herhaald met behulp van machine learning-methoden om de techniek te valideren.

“We weten dat mensen met de ziekte van Alzheimer vaak in zeer uiteenlopende snelheden verslechterende symptomen ontwikkelen,” zei Zhu. “We zijn blij dat ons nieuwe raamwerk nauwkeuriger is dan de andere beschikbare voorspellende modellen. We hopen dat het patiënten en hun families zal helpen beter te plannen voor de onzekerheden van deze gecompliceerde en verwoestende ziekte.”

Hij en zijn team zijn van mening dat het DETree-framework het potentieel heeft om de progressie van andere ziekten met meerdere klinische ontwikkelingsstadia te helpen voorspellen, zoals de ziekte van Parkinson, de ziekte van Huntington en de ziekte van Creutzfeldt-Jakob.

Over dit nieuws uit het Alzheimeronderzoek

Auteur: Katherine Bennett
Bron: UT Arlington
Contact: Katherine Bennett – UT Arlington
Afbeelding: De afbeelding is afkomstig van Neuroscience News

Originele onderzoek: Vrije toegang.
“Disease2Vec: het coderen van de progressie van Alzheimer via de ziekte-inbeddingsboom” door Dajiang Zhu et al. Farmacologisch onderzoek


Abstract

Disease2Vec: Codering van de progressie van de ziekte van Alzheimer via de ziekte-inbeddingsboom

Decennia lang zijn er verschillende voorspellingsbenaderingen voorgesteld en geëvalueerd op hun voorspellend vermogen voor de ziekte van Alzheimer (AD) en de voorloper ervan, milde cognitieve stoornissen (MCI). De meeste daarvan waren gericht op het voorspellen of identificeren van statistische verschillen tussen verschillende klinische groepen of fasen, vooral in de context van binaire classificatie of classificatie met meerdere klassen.

De voortdurende aard van de AD-ontwikkeling en de overgangstoestanden tussen opeenvolgende AD-gerelateerde stadia worden doorgaans over het hoofd gezien. Hoewel onlangs enkele modellen voor de progressie van de ziekte van Alzheimer zijn bestudeerd, zijn deze in de eerste plaats ontworpen om de volgorde van specifieke biomarkers te bepalen en te vergelijken.

Hoe de individuele patiëntstatus binnen een breed spectrum van continue AD-progressie effectief kan worden voorspeld, is nog grotendeels onvoldoende onderzocht. In dit werk hebben we een nieuw, op leren gebaseerd inbeddingsraamwerk ontwikkeld om de intrinsieke relaties tussen AD-gerelateerde klinische stadia te coderen via een reeks betekenisvolle inbeddingsvectoren in de latente ruimte (Ziekte2Vec).

Dit proces noemen we ziekte-inbedding. Via Disease2Vec genereert ons raamwerk een ziekte-inbeddingsboom (DETree) die verschillende klinische stadia effectief vertegenwoordigt als een boomtraject dat de progressie van de ziekte van Alzheimer weerspiegelt, en dus kan worden gebruikt om de klinische status te voorspellen door individuen op dit continue traject te projecteren.

Via dit model kan DETree niet alleen efficiënte en nauwkeurige voorspellingen doen voor patiënten in alle stadia van de AD-ontwikkeling (over vijf fijnmazige klinische groepen in plaats van de typische twee groepen), maar ook uitgebreidere statusinformatie bieden door de geprojecteerde locaties binnen de ziekte te onderzoeken. een breed scala en continu AD-progressieproces. (Code zal beschikbaar zijn: https://github.com/qidianzl/Disease2Vec.)

Leave a Reply

Your email address will not be published. Required fields are marked *