Een studie gepubliceerd in het medische tijdschrift De Lancet beoordeelde het gebruik van machine learning en klinisch verzamelde gegevens (zoals cognitieve en gedragsmatige screeningscores) om FTD en de ziekte van Alzheimer (AD) in ondervertegenwoordigde groepen te classificeren en te discrimineren.

Het diagnosticeren van FTD en andere vormen van dementie is ingewikkeld; het duurt gemiddeld 3,6 jaar om FTD te diagnosticeren. Zoals de studie benadrukt, worden degenen die een diagnose zoeken in Latijns-Amerikaanse landen met extra obstakels geconfronteerd, zoals het gebrek aan gestandaardiseerde diagnostische praktijken in de verschillende landen en de diversiteit van de verschillende instrumenten die worden gebruikt om de cognitieve status te evalueren. Bovendien zijn technologieën en methoden die effectief zijn bij de diagnose, zoals amyloïde/tau PET-beeldvorming of op vloeistof gebaseerde biomarkerbeoordelingsinstrumenten, minder toegankelijk voor artsen in Latijns-Amerika.

Deze obstakels voor de diagnose belemmeren ook onderzoek. Verschillen in de sociaal-culturele en genetische samenstelling van landen en variabele niveaus van klinische expertise op het gebied van FTD en AD maken het een uitdaging om gegevens te verzamelen die kunnen worden gegeneraliseerd en vergeleken met andere landen.

Om de obstakels aan te pakken waarmee beoefenaars in Latijns-Amerika worden geconfronteerd, presenteren de auteurs van de studie een computationeel raamwerk voor het classificeren van FTD en AD dat effectief gebruik kan maken van diverse steekproeven. Het raamwerk combineert traditionele statistische analyse met nieuwere machine-learning-modellen. Met behulp van dit raamwerk identificeerden de auteurs de meest generaliseerbare kenmerken van FTD en AD die kunnen worden gebruikt om onderscheid te maken tussen de ziekten en tussen mensen die wel en niet met een vorm van dementie leven.

De onderzoekers rekruteerden 1.792 deelnemers uit 11 centra die lid zijn van het Multi-Partner Consortium om dementieonderzoek uit te breiden in Latijns-Amerika (drie in zowel Argentinië als Colombia, twee in zowel Chili als Mexico, en één in Peru). Bij alle deelnemers werd de diagnose FTD of AD gesteld volgens de standaardprocedures in elke instelling.

De auteurs ontdekten dat Random Forest (RF), een machinaal leermodel dat goed werkt met complexe gegevens, het meest effectief was in het classificeren van FTD en AD. Ondanks de demografische diversiteit van de deelnemers en de door hen verstrekte monsters, was RF nog steeds zeer effectief in het classificeren van FTD en AD, waarbij de auteurs een efficiëntiescore van 93% opmerkten.

Met behulp van het RF-model ontdekten de auteurs dat gegevens uit cognitieve screenings, tests voor sociale cognitie, metingen van het executief functioneren en neuropsychiatrische onderzoeken het grootste vermogen vertoonden om FTD en AD te classificeren. Specifiek voor FTD waren neuropsychiatrische en sociale cognitiemetingen het meest bruikbaar voor het classificeren van de ziekte.

Machine learning is een steeds veelbelovender hulpmiddel voor het diagnosticeren en onderzoeken van FTD. Klik hier om te lezen over een Duitse studie die ook de effectiviteit van machine learning in FTD-onderzoek evalueerde.