Badanie opublikowane w czasopiśmie medycznym Nazwa naukowego czasopisma medycznego ocenili wykorzystanie uczenia maszynowego i danych zebranych klinicznie (takich jak wyniki badań przesiewowych funkcji poznawczych i behawioralnych) w celu sklasyfikowania i rozróżnienia FTD i choroby Alzheimera (AD) w niedostatecznie reprezentowanych grupach.

Diagnozowanie FTD i innych demencji jest skomplikowane, a zdiagnozowanie FTD zajmuje średnio 3,6 roku. Jak podkreśla badanie, osoby poszukujące diagnozy w krajach Ameryki Łacińskiej napotykają dodatkowe przeszkody, takie jak brak standardowych praktyk diagnostycznych w poszczególnych krajach oraz różnorodność różnych instrumentów stosowanych do oceny stanu poznawczego. Ponadto technologie i metody skuteczne w diagnostyce, takie jak obrazowanie PET amyloidu/tau lub narzędzia do oceny biomarkerów na bazie płynów, są mniej dostępne dla lekarzy w Ameryce Łacińskiej.

Te przeszkody w diagnozie utrudniają również badania. Różnice w strukturze społeczno-kulturowej i genetycznej krajów oraz zmienny poziom wiedzy klinicznej w zakresie FTD i AD utrudniają gromadzenie danych, które można uogólnić i porównać z innymi krajami.

Aby stawić czoła przeszkodom napotykanym przez praktyków w Ameryce Łacińskiej, autorzy badania przedstawiają ramy obliczeniowe do klasyfikacji FTD i AD, które mogą skutecznie wykorzystywać różnorodne próbki. Struktura łączy tradycyjną analizę statystyczną z nowszymi modelami uczenia maszynowego. Korzystając z tych ram, autorzy zidentyfikowali najbardziej uogólnione cechy FTD i AD, które można wykorzystać do rozróżnienia chorób oraz osób cierpiących i nie cierpiących na jakąś formę demencji.

Naukowcy zrekrutowali 1792 uczestników z 11 ośrodków będących członkami konsorcjum wielopartnerskiego na rzecz rozszerzenia badań nad demencją w Ameryce Łacińskiej (po trzech w Argentynie i Kolumbii, po dwóch w Chile i Meksyku oraz jeden w Peru). U wszystkich uczestników zdiagnozowano FTD lub AD zgodnie ze standardowymi procedurami obowiązującymi w każdej placówce.

Autorzy odkryli, że Random Forest (RF), model uczenia maszynowego, który dobrze sprawdza się w przypadku złożonych danych, był najskuteczniejszy w klasyfikacji FTD i AD. Pomimo różnorodności demograficznej uczestników i dostarczonych przez nich próbek, RF nadal był bardzo skuteczny w klasyfikacji FTD i AD, a autorzy odnotowali wskaźnik efektywności na poziomie 93%.

Korzystając z modelu RF, autorzy odkryli, że dane z badań przesiewowych funkcji poznawczych, testów poznania społecznego, pomiarów funkcjonowania wykonawczego i badań neuropsychiatrycznych wykazały największą zdolność do klasyfikacji FTD i AD. Szczególnie w przypadku FTD do klasyfikacji choroby najbardziej przydatne okazały się pomiary neuropsychiatryczne i poznania społecznego.

Uczenie maszynowe jest coraz bardziej obiecującym narzędziem do diagnozowania i badania FTD. Kliknij tutaj przeczytać o niemieckim badaniu, które również oceniało skuteczność uczenia maszynowego w badaniach FTD.