本文首發(fā)自 HyperAI 超神經(jīng)微信公眾平臺~
(資料圖)
目前，全球超 5.5 億人患有癡呆癥 (阿爾茨海默病為最常見類型)，每年新發(fā)病例接近 1000 萬，隨著人口老齡化程度不斷加劇，預(yù)計到 2050 年，這一數(shù)字將增加兩倍。癡呆癥是一種腦部疾病，會導(dǎo)致患者記憶力、思維和推理能力緩慢下降。該疾病主要影響老年人，是導(dǎo)致老年人失去自理能力的主要原因之一，在全球最主要的死亡原因（按死亡總?cè)藬?shù)排列）中位于第七位，前三位分別是缺血性心臟病、中風及慢性阻塞性肺病。
通常，癡呆癥患者除了認知障礙外，還表現(xiàn)出一系列行為和心理癥狀 (BPSD)，如躁動、攻擊、冷漠和抑郁等。這些癥狀是癡呆癥護理中最為復(fù)雜、最具有挑戰(zhàn)性的問題，它們不僅導(dǎo)致病人無法獨立生活，同時也給照護人員帶來相當大的負擔。
近期，韓國延世大學 (Yonsei University) 的研究人員 Eunhee Cho 等人開發(fā)了多個用于預(yù)測 BPSD 的機器學習模型，并對它們進行了驗證。目前該研究已發(fā)布在《Scientifc Reports》期刊，標題為「Machine learning?based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation」。
該研究成果已發(fā)表在《Scientific Reports》上
論文地址：
Machine learning-based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation | Scientific Reports
本研究分三次進行數(shù)據(jù)收集，共使用了 187 名癡呆癥患者信息進行模型訓(xùn)練，另外 35 名患者信息用于外部驗證。其中第二次數(shù)據(jù)收集是對第一次數(shù)據(jù)收集參與者進行的重復(fù)測量，第三次數(shù)據(jù)收集則招募了新的參與者進行測量。研究中，第一次和第二次收集的數(shù)據(jù)用作訓(xùn)練集，第三次收集的數(shù)據(jù)集用于測試集。
為了對參與者進行全面的特征信息收集，研究人員首先調(diào)查了他們的健康數(shù)據(jù)（年齡、性別、婚姻狀況等）和發(fā)病前的性格類型（韓國五大人格量表 BFI-K），其次使用身體活動記錄儀監(jiān)測夜間睡眠和活動水平，最后又采用了一種癥狀日記 (symptom diary) 來記錄照料者感知到的癥狀的觸發(fā)因素 (饑餓/口渴、排尿/排便、疼痛、失眠、噪音等) 以及患者每天發(fā)生的 12 種 BPSD。此外，這些癥狀也被劃分為 7 個亞綜合癥，下圖直觀展示了身體活動記錄儀和癥狀日記數(shù)據(jù)的記錄情況。
表 1：身體活動記錄儀和癥狀日記的統(tǒng)計情況
SD：標準差
TST：總睡眠時間
WASO：入睡后醒來時間
NoA：醒來次數(shù)
MAL：清醒時間
METs：代謝當量
MVPA：中度至劇烈的身體活動
BPSD：癡呆癥行為和心理癥狀
其他原因：其他看護者感知的 BPSD 觸發(fā)因素（治療、噩夢等）
不過，由于參與者不服從或裝置佩戴不當?shù)仍颍瑢?dǎo)致活動記錄儀數(shù)據(jù)缺失，據(jù)統(tǒng)計，數(shù)據(jù)缺少者占總參與人數(shù)的 36%，平均每人缺失 0.9 天數(shù)據(jù)。因此，研究人員采用鏈式方程的多重插補方法 (multivariate imputation was applied using chained equations) 來處理這部分缺失數(shù)據(jù)。
研究人員訓(xùn)練了 4 個模型，以確定預(yù)測每個亞綜合癥的最佳模型。基于研究結(jié)果，研究人員可以將這些模型應(yīng)用于臨床監(jiān)測和預(yù)測 BPSD 亞綜合癥。同時針對潛在的 BPSD 影響因素進行干預(yù)，實現(xiàn)以患者為中心的癡呆癥護理服務(wù)。此外，機器學習??算法?還可以嵌入智能手機應(yīng)用程序中，以進一步提高其價值。
研究人員采用了 4 個機器學習算法，包括邏輯??回歸?(logistic regression)、隨機森林 (random forest)、梯度提升機 (gradient boosting machine) 和??支持向量機?(support vector machine) ，通過各自特有的學習算法評估模型性能，挑選出預(yù)測 BPSD 亞綜合征最好的模型。這里，邏輯回歸模型最為常見和成熟，因此作為基準模型用于判斷機器學習的性能提升程度。
基于訓(xùn)練集，通過五重交叉驗證，不同模型預(yù)測 BPSD 亞綜合征的性能如下圖：
表 2：基于訓(xùn)練集，不同模型預(yù)測 BPSD 亞綜合癥性能
AUC：ROC 曲線下的面積
LR：邏輯回歸模型
RF：隨機森林模型
GBM：梯度提升機模型
SVM：支持向量機模型
表 2 顯示，梯度提升機模型在預(yù)測多動癥 (0.706)、情感癥狀 (0.747) 和進食障礙 (0.816) 方面 AUC 值較高；支持向量機模型在預(yù)測精神癥狀方面 AUC 值 (0.706) 最高；隨機森林模型在睡眠和夜間行為方面 AUC 值 (0.942) 最高；邏輯回歸模型在異常活動行為 (0.822) 和病理性欣快癥 (Euphoria/elation, 0.696) 方面 AUC 值最高。
研究人員使用了外部驗證方法，在第三次收集的數(shù)據(jù)集上對模型進行驗證。基于測試集，不同模型預(yù)測 BPSD 亞綜合癥的性能如下圖：
表 3：基于測試數(shù)據(jù)集，不同模型預(yù)測 BPSD 亞綜合癥性能
AUC：ROC 曲線下的面積
LR：邏輯回歸模型
RF：隨機森林模型
GBM：梯度提升機模型
SVM：支持向量機模型
表 3 顯示，對比邏輯回歸模型，機器學習模型的表現(xiàn)都要更好。具體來看，對大多數(shù)亞綜合癥來說，隨機森林和梯度提升機模型性能表現(xiàn)都優(yōu)于邏輯回歸和支持向量機模型；隨機森林模型在預(yù)測多動癥 (0.835)、病理性欣快癥 (0.968) 和進食障礙 (0.888) 方面比其他預(yù)測模型的 AUC 值要高；梯度提升機模型在預(yù)測精神癥狀 (0.801) 方面比其他預(yù)測模型的 AUC 值要高；支持向量機模型在睡眠和夜間行為 (0.929) 方面 AUC 值最高。
綜合兩圖表信息，研究人員發(fā)現(xiàn)在預(yù)測 7 個亞綜合征方面，梯度提升機模型平均 AUC 值最高，即表現(xiàn)最佳。與此同時，研究人員也提醒，在測試數(shù)據(jù)集的樣本量較小情況下，需要謹慎推斷預(yù)測性能的結(jié)果，并建議未來應(yīng)進行更大樣本量的重復(fù)實驗以獲得更準確的預(yù)測結(jié)果。
在癡呆癥預(yù)測方面，除了國外，國內(nèi)也取得了令人矚目的成果。去年九月，復(fù)旦大學附屬華山醫(yī)院神經(jīng)內(nèi)科主任醫(yī)師郁金泰臨床研究團隊，聯(lián)合復(fù)旦大學類腦智能科學與技術(shù)研究院馮建峰教授、程煒青年研究員算法團隊開發(fā)了 UKB-DRP 癡呆預(yù)測模型。
該模型可以預(yù)測個體未來五年、十年甚至更長時間內(nèi)是否會發(fā)病，篩查出處于癡呆癥病程早期的群體，包括全因癡呆及其主要亞型 (如阿爾茨海默病)。該研究成果已發(fā)表在《柳葉刀》子刊《電子臨床醫(yī)學》上。
論文地址：
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext
這一研究成果也顯示出了國內(nèi)在癡呆癥預(yù)測領(lǐng)域的創(chuàng)新實力和科研水平。未來，隨著更多機構(gòu)和研究團隊的加入，以及更全面、多樣化數(shù)據(jù)的積累，我們有望看到更多國內(nèi)外的合作與進展。借助??人工智能?和大數(shù)據(jù)分析的力量，為預(yù)防、治療和管理癡呆癥做出更大的貢獻，為患者和家庭帶來更多希望和福祉。
本文首發(fā)自 HyperAI 超神經(jīng)微信公眾平臺~
關(guān)鍵詞：
營業(yè)執(zhí)照公示信息