Статья: Диагностика и оценка тяжести болезни Альцгеймера: алгоритмы машинного обучения на основе маркеров воспаления (2024)

Читать онлайн

Обоснование: болезнь Альцгеймера (БА) как наиболее распространенная форма деменции характеризуется ухудшением познавательных функций и обычно начинается с потери памяти о недавних событиях. Важен поиск биологических методов, чувствительных и доступных, которые можно было бы использовать для ранней диагностики БА и определения тяжести заболевания.
Цель исследования: разработка алгоритмов машинного обучения (МО) на основе таких воспалительных маркеров, как энзиматическая активность лейкоцитарной эластазы (ЛЭ) и функциональная активность α1-протеиназного ингибитора (α1-ПИ) для диагностики и оценки тяжести БА.
Пациенты и методы: в исследование включены 128 человек в возрасте от 55 до 94 лет (73,7 ± 7,9 года), из которых 91 пациент с диагнозом болезни Альцгеймера и 37 условно здоровых людей (контроль). В качестве классифицирующих признаков для построения моделей рассматривали показатели ЛЭ и α1-ПИ в плазме крови. Для построения модели машинного обучения применяли следующие алгоритмы: метод оптимально достоверных разбиений (Optimal Valid Partition, OVP), логистическая регрессия (LR), метод опорных векторов (SVM), случайный лес (RF), градиент бустинга (GB) и метод статистически взвешенных синдромов (МСВС). Был использован программный пакет Data Master Azforus. Прогностическую эффективность построенных классификаторов оценивали по общей точности (аccuracy), чувствительности (sensitivity), специфичности (specicity), F-мере и ROC-анализу.
Результаты: созданные алгоритмы машинного обучения позволили надежно разделить общую группу исследуемых (пациенты + условно здоровые), а также пациентов с различной тяжестью БА на 4 квадранта двумерной диаграммы в координатах ЛЭ и α1-ПИ и показали близкую и достаточно высокую прогностическую эффективность.
Заключение: разработанные алгоритмы машинного обучения оказались высокоэффективными в оценке тяжести БА на основе воспалительных маркеров (энзиматической активности ЛЭ и функциональной активности α1-ПИ) и могут быть полезными для ранней диагностики заболевания и своевременного назначения терапии.

Ключевые фразы: болезнь Альцгеймера, машинное обучение, метод оптимальных достоверных разбиений, алгоритмы бинарной классификации, активность лейкоцитарной эластазы, α1-протеиназный ингибитор
Автор (ы): Андросова Любовь Васильевна (Androsova L. V.), Симонов Анатолий Никифорович (Simonov A. N.), Сенько Олег Валентинович (Senko O. V.), Михайлова Наталия Михайловна (Mihaylova N. M.), Кузнецова Анна Викторовна (Kuznetsova A. V.), Клюшник, Татьяна Павловна (Klyushnik, T. P.)
Журнал: ПСИХИАТРИЯ

Идентификаторы и классификаторы

УДК
571.27. Молекулярные основы иммунитета. Молекулярная иммунология
616.89. Психиатрия. Патологическая психология. Психические (душевные) болезни
Для цитирования:
АНДРОСОВА Л. В., СИМОНОВ А. Н., СЕНЬКО О. В., МИХАЙЛОВА Н. М., КУЗНЕЦОВА А. В., КЛЮШНИК, Т. П. ДИАГНОСТИКА И ОЦЕНКА ТЯЖЕСТИ БОЛЕЗНИ АЛЬЦГЕЙМЕРА: АЛГОРИТМЫ МАШИННОГО ОБУЧЕНИЯ НА ОСНОВЕ МАРКЕРОВ ВОСПАЛЕНИЯ // ПСИХИАТРИЯ. 2024. ТОМ 22, № 1