Eine in der medizinischen Fachzeitschrift veröffentlichte Studie Die Lanzette bewerteten den Einsatz von maschinellem Lernen und klinisch gesammelten Daten (wie kognitiven und verhaltensbezogenen Screening-Scores) zur Klassifizierung und Unterscheidung von FTD und Alzheimer-Krankheit (AD) in unterrepräsentierten Gruppen.

Die Diagnose von FTD und anderen Demenzerkrankungen ist kompliziert, da die Diagnose von FTD im Durchschnitt 3,6 Jahre dauert. Wie die Studie hervorhebt, stehen diejenigen, die in lateinamerikanischen Ländern eine Diagnose suchen, vor zusätzlichen Hindernissen, wie dem Mangel an standardisierten Diagnosepraktiken in den einzelnen Ländern und der Vielfalt der verschiedenen Instrumente zur Bewertung des kognitiven Status. Darüber hinaus sind für die Diagnose wirksame Technologien und Methoden wie die Amyloid/Tau-PET-Bildgebung oder flüssigkeitsbasierte Biomarker-Bewertungstools für Ärzte in Lateinamerika weniger zugänglich.

Diese Diagnosehindernisse behindern auch die Forschung. Unterschiede in der soziokulturellen und genetischen Ausstattung der Länder sowie unterschiedliche Niveaus der klinischen Expertise in FTD und AD machen es schwierig, Daten zu sammeln, die verallgemeinert und mit anderen Ländern verglichen werden können.

Um die Hindernisse zu überwinden, mit denen Praktiker in Lateinamerika konfrontiert sind, präsentieren die Autoren der Studie einen Rechenrahmen zur Klassifizierung von FTD und AD, der verschiedene Stichproben effektiv nutzen kann. Das Framework kombiniert traditionelle statistische Analysen mit neueren Modellen des maschinellen Lernens. Anhand dieses Rahmenwerks identifizierten die Autoren die am besten verallgemeinerbaren Merkmale von FTD und AD, die zur Unterscheidung zwischen den Krankheiten und zwischen Menschen, die an einer Form von Demenz leiden, und solchen, die nicht leben, herangezogen werden können.

Die Forscher rekrutierten 1.792 Teilnehmer aus 11 Zentren, die Mitglieder des Multi-Partner-Konsortiums zur Ausweitung der Demenzforschung in Lateinamerika sind (drei in Argentinien und Kolumbien, zwei in Chile und Mexiko und eines in Peru). Bei allen Teilnehmern wurde gemäß den Standardverfahren in jeder Einrichtung FTD oder AD diagnostiziert.

Die Autoren fanden heraus, dass Random Forest (RF), ein maschinelles Lernmodell, das gut mit komplexen Daten funktioniert, bei der Klassifizierung von FTD und AD am effektivsten war. Trotz der demografischen Vielfalt der Teilnehmer und der von ihnen bereitgestellten Proben war RF bei der Klassifizierung von FTD und AD immer noch sehr effektiv, wobei die Autoren eine Effizienzbewertung von 93% vermerkten.

Unter Verwendung des RF-Modells stellten die Autoren fest, dass Daten aus kognitiven Screenings, sozialen Kognitionstests, Messungen der Exekutivfunktion und neuropsychiatrischen Untersuchungen die größte Eignung zur Klassifizierung von FTD und AD zeigten. Insbesondere bei FTD waren neuropsychiatrische und soziale Kognitionsmessungen für die Klassifizierung der Krankheit am nützlichsten.

Maschinelles Lernen ist ein zunehmend vielversprechendes Werkzeug zur Diagnose und Erforschung von FTD. Klick hier um über eine deutsche Studie zu lesen, die ebenfalls die Wirksamkeit von maschinellem Lernen in der FTD-Forschung bewertete.