Trajectories from Mild Cognitive Impairment to Alzheimer’s Disease: A machine learning approach in the context of Precision Medicine

Abstract

Mild Kognitv Svikt (MKS) er en diagnostisk kategori som beskriver en heterogen gruppe pasienter. For noen representerer MKS et tidlig tegn på en nevrodegenerativ sykdom, mens andre forbli stabile eller forbedrer seg over tid. Tidlig identifisering av nevrodegenerasjon er svært viktig for å kunne påbegynne behandling før sykdommen allerede har forårsaket store skader i hjernen. Dette motiverte den aktuelle studien, der longitudinelle data fra Alzheimer’s Disease Neuroimaging Initiative (ADNI) benyttes for å undersøke to grupper av pasienter som ved baseline viste MKS av den amnestiske typen (aMKS): en gruppe som forble stabile over tid (sMKS) og en gruppe som etterhvert fikk diagnosen Alzheimer’s sykdom (cMKS). Det ble valgt ut variabler som gjerne inngår i en klinisk undersøkelse av pasienter med aMKS. Disse omfatter mål på hukommelses- og eksekutiv funksjon, depresive symptomer, intellektuell funksjon, hippocampusvolum og genotype (ApoE). Resultatene viste bedre resultater på tester av hukommelse og eksekutiv funksjon, større hippocampusvolum, og færre individer med ApoE-ε4 i sMKS enn cMKS gruppen. Vi undersøkte deretter hvor godt et utviklingsforløp mot AD kunne predikeres basert på de utvalgte variablene ved å benytte en Random Forest (RF) modell. Evaluering av modellens nøyaktighet i et testset viste en nøyaktighet på 68.3%. Beregninger av de ulike variablenes betydning for klassifikasjonen viste at den var sterkest for mål på hukommelse, hippocampusvolum og eksekutiv funksjon. Partial dependency plots viste terskelverdier som øker sannsynligheten for å klassifiseres i cMKS gruppen. Resultatene diskuteres fra et klinisk, teoretisk og analytisk perspektiv, med vekt på studiens relevans for en fremtidsrettet presisjonsmedisin.