Ein neues Modell am MIT entwickelt kann helfen, vorherzusagen, ob Patienten mit einem Risiko für die Alzheimer-Krankheit erleben eine klinisch signifikante Abnahme der kognitiven Fähigkeiten durch die Krankheit, durch die Vorhersage Ihrer Wahrnehmung Testergebnisse bis zu zwei Jahre in die Zukunft.
Das Modell könnte verwendet werden, um zu verbessern, die Auswahl der Kandidaten Medikamente und Teilnehmer Kohorten für klinische Studien, die bisher notorisch erfolglos bisher. Würde es auch lassen, Patienten kennen, erleben Sie rasche Abnahme der kognitiven Fähigkeiten wird in den kommenden Monaten und Jahren, so dass Sie und Ihre lieben zubereiten können.
Pharma-Unternehmen in den vergangenen zwei Jahrzehnten injiziert haben Hunderte von Milliarden von Dollar in die Alzheimer-Forschung. Doch das Feld wurde geplagt mit Ausfall: Zwischen 1998 und 2017 waren es 146 erfolglosen versuchen, Medikamente zu entwickeln, die zu behandeln oder zu verhindern, dass die Krankheit, nach einem Jahr 2018 Bericht aus der Pharma-Forschung und Hersteller von Amerika. In dieser Zeit werden nur vier neue Medikamente zugelassen wurden, und nur die Symptome zu behandeln. Mehr als 90 Wirkstoff-Kandidaten sind derzeit in der Entwicklung.
Studien deuten darauf hin mehr Erfolg bringen Medikamente auf den Markt kommen könnte-down für die Rekrutierung von Kandidaten, die sich in der Krankheit frühen Stadien, bevor Symptome offensichtlich werden, das heißt, wenn Behandlung am effektivsten ist. In einem Papier präsentiert werden nächste Woche an der Maschine Lernen für Gesundheits-Konferenz im MIT Media Lab Forscher beschreiben ein machine-learning-Modell, die helfen können Kliniker null-in auf dieser bestimmten Kohorte der Teilnehmer.
Diese erste Ausbildung eine „Bevölkerung“ – Modell auf einen ganzen Datensatz zu enthalten, dass eine klinisch signifikante kognitive Testergebnisse und andere biometrische Daten von Alzheimer-Patienten und auch gesunden Personen, gesammelt zwischen Halbjährliche Arztbesuche. Aus den Daten, das Modell lernt die Muster, die helfen können, vorherzusagen, wie sich die Patienten erzielen werden, die auf der kognitiven tests, die zwischen den besuchen. In der neuen Teilnehmer, ein zweites Modell, individuell für jeden Patienten, der laufend aktualisiert score-Prognosen basieren auf neu aufgenommenen Daten, wie Informationen gesammelt, die bei der letzten Besuche.
Experimente zeigen genaue Vorhersagen gemacht werden können, suchen vor sechs, 12, 18 und 24 Monaten. Ärzte könnten so die das Modell verwenden, um zu helfen, wählen Sie at-risk-Teilnehmer für klinische Studien, die wahrscheinlich um zu demonstrieren, raschen kognitiven Abbau, möglicherweise sogar, bevor andere klinische Symptome entstehen. Die Behandlung von solchen Patienten früh kann helfen, die ärzte besser zu verfolgen, die antidementia sind die Medikamente und nicht die Arbeit.
„Eine genaue Vorhersage der kognitiven Rückgang von sechs bis 24 Monaten ist entscheidend für die Gestaltung von klinischen Studien“, sagt Oggi Rudovic, ein Media-Lab-Forscher. „In der Lage, genau vorherzusagen, zukünftige kognitive Veränderungen reduzieren können die Anzahl der Besuche hat der Teilnehmer zu machen, das kann teuer werden und zeitaufwendig. Abgesehen von der Unterstützung entwickeln, die ein nützliches Medikament, das Ziel ist die Verringerung der Kosten für klinische Studien um, damit Sie günstige und fertig auf größere Maßstäbe.“
Beitritt Rudovic auf dem Papier sind: Yuria Utsumi, ein Bachelor-student, und Kelly Peterson, ein student, sowohl im Department of Electrical Engineering und Computer Science; Ricardo Guerrero und Daniel Rückert, beide vom Imperial College London; und Rosalind Picard, professor of media arts and sciences und Leiterin der affective computing research in the Media Lab.
Bevölkerung Personalisierung
Für Ihre Arbeit, die Forscher nutzte die weltweit größten Alzheimer-Krankheit klinischen Studie dataset, genannt Alzheimer-Krankheit Neuroimaging Initiative (ADNI). Das dataset enthält Daten von rund 1.700 Teilnehmer, mit und ohne Alzheimer, aufgenommen während der halbjährlichen Arztbesuche über 10 Jahren.
Daten mit der AD Assessment Scale-cognition sub-scale (ADAS-Cog13) erzielt, die am weitesten verbreitete kognitive Metrik für klinische Studien von Alzheimer-Medikamenten. Der test beurteilt, Gedächtnis, Sprache und Orientierung auf einer Skala von zunehmendem Schweregrad bis zu 85 Punkte. Das dataset enthält auch MRI-scans, demografische und genetische Informationen und Liquor Messungen.
In allen, die Forscher trainierten und testeten Sie Ihr Modell auf einem sub-Kohorte von 100 Teilnehmern, die aus mehr als 10 Besuche, und hatten weniger als 85 Prozent der fehlenden Daten, jedes mit mehr als 600 berechenbaren Funktionen. Jener Teilnehmer, 48 wurden mit der Diagnose Alzheimer. Aber die Daten sind spärlich, mit verschiedenen Kombinationen von Merkmalen fehlt, die für die meisten Teilnehmer.
In Angriff zu nehmen, die Forscher verwendeten die Daten, die zum trainieren Bevölkerung-Modell angetrieben von einem „nichtparametrische“ Wahrscheinlichkeit framework, genannt Gaußsche Prozesse (GPs), die flexible Parameter passen verschiedene Wahrscheinlichkeitsverteilungen und zu verarbeiten, Unsicherheiten in Daten. Diese Technik misst ähnlichkeiten zwischen Variablen wie Patienten-Daten-Punkte, um vorherzusagen, einen Wert für einen ungesehenen Daten zeigen-wie eine kognitive score. Die Ausgabe enthält auch eine Schätzung für wie sicher ist es über die Vorhersage. Das Modell funktioniert robust auch bei der Analyse von Datensätzen mit fehlenden Werten oder viel Lärm aus verschiedenen Daten-Sammel-Formate.
Aber, bei der Bewertung des Modells auf neue Patienten aus einem hingehaltenen Teil der Teilnehmer fanden die Forscher das Modell, die Vorhersagen waren nicht so genau wie Sie sein könnten. So, Sie personifiziert die Bevölkerung Modell für jeden neuen Patienten. Würde das system dann schrittweise füllen Sie Datenlücken, die mit jedem neuen Patienten besuchen und aktualisieren Sie die ADAS-Cog13 score Vorhersage entsprechend, durch die kontinuierliche Aktualisierung der bisher unbekannten Verteilungen des GPs. Nach etwa vier Besuche, die personalisierte Modelle deutlich reduziert die Fehlerquote in Vorhersagen. Es ist auch besser als die verschiedenen traditionellen machine-learning-Ansätze für die klinische Daten.
Lernen zu lernen
Aber die Forscher fanden die personalisierte Modelle, die Ergebnisse waren immer noch suboptimal. Um das zu beheben, erfand Sie einen Roman „metalearning“ – Regelung, die lernt, um automatisch zu entscheiden, welche Art von Modell, Bevölkerung oder personalisiert, funktioniert am besten, für einen bestimmten Teilnehmer zu einem bestimmten Zeitpunkt, abhängig von den Daten, die analysiert werden. Metalearning verwendet wurde, bevor für computer vision und machine translation Aufgaben, neue Fähigkeiten zu erlernen oder sich in neue Umgebungen schnell mit ein paar übungsbeispielen. Aber dies ist das erste mal, es ist angewendet worden, um tracking-kognitiven Fähigkeiten von Alzheimer-Patienten, bei denen nur wenige Daten ist eine zentrale Herausforderung, Rudovic, sagt.
Die Regelung im wesentlichen simuliert, wie die verschiedenen Modelle sind auf eine bestimmte Aufgabe-wie z.B. in der Vorhersage einer ADAS-Cog13 Partitur — und lernt am besten geeignet ist. Bei jedem Besuch eines neuen Patienten, die Regelung ordnet die entsprechende Modell, basierend auf den vorherigen Daten. Mit Patienten, die mit lauten, spärliche Daten, die während der frühen Besuche, zum Beispiel, Bevölkerung-Modelle genauere Vorhersagen. Wenn die Patienten starten mit mehr Daten sammeln oder mehr durch spätere Besuche, aber personalisierte Modelle besser.
Dies trug zur Verringerung der Fehlerquote bei den Prognosen um weitere 50 Prozent. „Wir konnten nicht finden, ein einzelnes Modell oder eine fixe Kombination von Modellen, könnte uns die beste Vorhersage,“ Rudovic sagt. „Also, wir wollten lernen, wie Sie lernen, mit diesem metalearning Schema. Es ist wie ein Modell, das oben auf einem Modell, das wirkt wie ein Selektor, der, geschult mit metaknowledge zu entscheiden, welches Modell besser ist, bereitstellen.“
Als Nächstes wollen die Wissenschaftler hoffen, um partner mit den pharmazeutischen Firmen für die Umsetzung des Modells in der realen Welt Alzheimer klinischen Studien. Rudovic, sagt das Modell kann auch verallgemeinert werden, um vorherzusagen, verschiedene Metriken für die Alzheimer-Krankheit und anderen Erkrankungen.
