Прогнозирование возрастного снижения умственных способностей с использованием образцов слюны и искусственного интеллекта

Новости сегодня - Прогнозирование возрастного снижения умственных способностей с использованием образцов слюны и искусственного интеллекта

По мере старения человека его физические и умственные функции, как правило, постепенно ухудшаются. Одной из наиболее распространенных причин серьезного снижения умственных способностей у пожилых людей являются нейродегенеративные заболевания — состояния, характеризующиеся прогрессирующей потерей нейронов в головном мозге или периферической нервной системе.

Предыдущие исследования показали, что ухудшение умственных способностей и потеря памяти, связанные с нейродегенеративными заболеваниями, часто предшествуют симптомам, связанным с психическим здоровьем, таким как подавленное настроение, отсутствие мотивации, тревожность и раздражительность. Однако до сих пор ранняя диагностика нейродегенеративных состояний на основе появления нейропсихиатрических симптомов оставалась сложной задачей.

Исследователи из Чунцинского медицинского университета и Чунцинской ключевой лаборатории заболеваний полости рта недавно изучили потенциал нового подхода к прогнозированию начала когнитивных нарушений, который сочетает в себе анализ биологических образцов и машинное обучение.

В своей статье, опубликованной в журнале Translational Psychiatry, они подчеркивают потенциал этого подхода для широкомасштабного скрининга пожилых людей и выявления лиц, подверженных большему риску развития нейропсихиатрических расстройств или нейродегенеративных заболеваний.

«Нейропсихиатрические симптомы являются ранними индикаторами когнитивных нарушений, вызванных нейродегенеративными заболеваниями, и их своевременное выявление имеет первостепенное значение», — написали Пин Лю, Цзэн Ян и их коллеги в своей статье.

«Наша цель заключалась в разработке и валидации методов крупномасштабного скрининга нейропсихиатрических заболеваний среди пожилых людей и изучении лежащих в их основе метаболических механизмов».

Анализ биомаркеров слюны с помощью машинного обучения

Для проведения своего исследования Лю, Ян и их коллеги привлекли к участию в исследовании 338 пожилых людей, получающих услуги в общественных центрах здравоохранения в Чунцине, Китай. Участникам было предложено заполнить анкету, в которой они указали свои демографические данные, а также предоставили образцы слюны и бактерий из полости рта.

Исследователи также измерили показатели уровня стресса у участников, такие как гормон кортизол и небольшие белки, вырабатываемые иммунными клетками, называемые цитокинами. Собранная информация была затем разделена на два набора данных.

Первый набор данных содержал информацию, собранную у 138 участников, и использовался для обучения моделей машинного обучения. Второй набор данных, в свою очередь, содержал данные, полученные от оставшихся 200 участников, и использовался для проверки способности модели прогнозировать риск возникновения нейропсихиатрических симптомов у отдельных пациентов.

Команда разработала и обучила несколько различных типов моделей машинного обучения, включая так называемый экстремальный градиентный бустинг (XGBoost), метод опорных векторов (SVM) и модель логистической регрессии (LR). Затем они проверили их способность надежно выявлять пациентов с повышенным риском развития нейропсихиатрических симптомов путем анализа биомаркеров, полученных в результате анализа образцов слюны и микробиома полости рта.

Они обнаружили, что модель XGBoost показала лучшие результаты, чем другие модели. Затем они использовали одну из разработанных ими моделей для создания платформы, к которой могли бы легко получить доступ медицинские работники и которую можно было бы использовать для скрининга групп пожилых людей.

«Модель XGBoost с расширенным набором родов показала наилучшие результаты, с показателем AUROC 0,936 и F1-мерой 0,864, превзойдя другие модели», — написали авторы.

« Модель логистической регрессии была преобразована в номограмму для облегчения оценки нейропсихиатрического риска в условиях сообщества. Внешняя валидация подтвердила высокую прогностическую способность (AUROC = 0,986, F1-критерий = 0,944). Анализ обогащения и корреляционный анализ выявили взаимодействие кортизола и микроорганизмов с такими путями, как пентозофосфатный путь и биосинтез общего антигена энтеробактерий».

Потенциальные области применения нового инструмента на основе искусственного интеллекта

Разработанный этой группой исследователей новый инструмент скрининга на основе машинного обучения вскоре может быть усовершенствован и протестирован в реальных клинических условиях. В будущем он сможет помочь медицинским работникам выявлять появление нейропсихиатрических симптомов и, возможно, также когнитивных нарушений на ранних стадиях, планируя соответствующие терапевтические вмешательства и стратегии поддержки.

«Модель и номограмма, дополненные XGBoost, предлагают перспективные инструменты для скрининга новых психоактивных веществ на уровне сообщества, а анализ обогащения позволяет получить представление о биологических механизмах», — написали Лю, Ян и их коллеги.

Первые результаты, полученные этими исследователями, подчеркивают потенциал моделей машинного обучения для анализа биологических данных и раннего выявления нейропсихиатрических симптомов.

Другие нейробиологи и исследователи в области психиатрии вскоре могут вдохновиться этим исследованием для разработки дополнительных платформ на основе искусственного интеллекта для крупномасштабного скрининга пожилых людей или других групп населения, которые могут быть подвержены более высокому риску развития определенных заболеваний.

Новости партнеров: