En undersøgelse offentliggjort i det medicinske tidsskrift The Lancet vurderet brugen af maskinlæring og klinisk indsamlede data (såsom kognitive og adfærdsmæssige screeningsresultater) for at klassificere og diskriminere FTD og Alzheimers sygdom (AD) i underrepræsenterede grupper.

Diagnosticering af FTD og andre demenssygdomme er kompliceret, og FTD tager i gennemsnit 3,6 år at diagnosticere. Som undersøgelsen fremhæver, står de, der søger en diagnose i latinamerikanske lande, over for yderligere forhindringer, såsom manglen på standardiseret diagnostisk praksis på tværs af lande og mangfoldigheden af de forskellige instrumenter, der bruges til at evaluere kognitiv status. Derudover er teknologier og metoder, der er effektive til diagnosticering, såsom amyloid/tau PET-billeddannelse eller væskebaserede biomarkørvurderingsværktøjer, mindre tilgængelige for praktiserende læger i Latinamerika.

Disse hindringer for diagnosticering hæmmer også forskningen. Forskelle i den sociokulturelle og genetiske sammensætning af lande og varierende niveauer af klinisk ekspertise inden for FTD og AD gør det udfordrende at indsamle data, der kan generaliseres og sammenlignes med andre lande.

For at løse de forhindringer, som praktiserende læger står over for i Latinamerika, præsenterer forfatterne af undersøgelsen en beregningsramme for klassificering af FTD og AD, der effektivt kan bruge forskellige prøver. Rammen kombinerer traditionel statistisk analyse med nyere maskinlæringsmodeller. Ved hjælp af denne ramme identificerede forfatterne de mest generaliserbare træk ved FTD og AD, der kan bruges til at skelne mellem sygdommene og mellem mennesker, der lever og ikke lever med en form for demens.

Forskerne rekrutterede 1.792 deltagere fra 11 centre, der er medlemmer af Multi-Partner Consortium to Expand Dementia Research i Latinamerika (tre i både Argentina og Colombia, to i både Chile og Mexico og et i Peru). Alle deltagere blev diagnosticeret med FTD eller AD efter standardprocedurerne på hver facilitet.

Forfatterne fandt, at Random Forest (RF), en maskinlæringsmodel, der fungerer godt med komplekse data, var den mest effektive til at klassificere FTD og AD. På trods af den demografiske mangfoldighed af deltagerne og de prøver, de leverede, var RF stadig yderst effektiv til at klassificere FTD og AD, hvor forfatterne noterede en effektivitetsvurdering på 93%.

Ved at bruge RF-modellen fandt forfatterne ud af, at data fra kognitive screeninger, sociale kognitionstests, eksekutive funktionsforanstaltninger og neuropsykiatriske undersøgelser viste den største evne til at klassificere FTD og AD. For FTD specifikt var neuropsykiatriske og sociale kognitionsmål de mest nyttige til at klassificere sygdommen.

Machine learning er et mere og mere lovende værktøj til at diagnosticere og forske i FTD. Klik her at læse om en tysk undersøgelse, der også evaluerede effektiviteten af maskinlæring i FTD-forskning.