A mentális hanyatlás előrejelzése nyálminták alapján
Ahogy az emberek öregednek, fizikai és mentális funkcióik lassan romlani kezdenek. Az időskorúak súlyos mentális hanyatlásának egyik leggyakoribb oka valamilyen neurodegeneratív betegség, amely az agyban vagy a perifériás idegrendszerben a neuronok fokozatos elvesztésével jár.
Korábbi tanulmányok kimutatták, hogy a neurodegeneratív betegségekkel kapcsolatos mentális hanyatlás és memóriavesztés előtt gyakran más mentális egészségügyi tünetek jelentkeznek, mint például rossz hangulat, motivációhiány, szorongás és ingerlékenység. Eddig azonban a neuropszichiátriai tünetek megjelenése alapján a neurodegeneratív állapotok korai felismerése nehéznek bizonyult.
A Chongqing Medical University és a Chongqing Key Laboratory of Oral Diseases kutatói nemrégiben vizsgáltak egy új, a kognitív hanyatlás kezdetét előre jelző módszert, amelyhez biológiai mintákat és gépi tanulást használtak. A Translational Psychiatry folyóiratban megjelent cikkük kiemeli ennek a megközelítésnek a potenciálját az idősebb felnőttek nagyszabású szűrésében és azoknak az embereknek az azonosításában, akiknél nagyobb a kockázata a neuropszichiátriai rendellenességek vagy neurodegeneratív betegségek kialakulásának.
„A neuropszichiátriai tünetek a neurodegeneratív betegségek okozta kognitív hanyatlás korai jelei, ezért rendkívül fontos azok időbeni felismerése” – írják Ping Liu, Zeng Yang és kollégáik cikkükben. „Célunk az volt, hogy módszereket fejlesszünk és validáljunk az idősek körében végzett nagyszabású NPS-szűréshez, és feltárjuk az alapul szolgáló metabolikus mechanizmusokat.”
A nyálhoz kapcsolódó biomarkerek gépi tanulással történő elemzése
A tanulmány elvégzéséhez Liu, Yang és kollégáik összesen 338 idősebb felnőttet toboroztak, akik a kínai Chongqing közösségi egészségügyi központjaiban vettek igénybe szolgáltatásokat. A résztvevők, kitöltöttek egy kérdőívet, amelyben megosztották demográfiai adataikat, és nyálmintát vettek tőlük. A kutatók emellett megmérték a résztvevők stresszszintjének markereit, például a kortizol hormont és a citokin immunsejtek által termelt kis fehérjéket.
Az összegyűjtött információkat két adatkészletre osztották. Az első csomag 138 résztvevőtől gyűjtött adatokat tartalmazott, és a gépi tanulási modellek képzésére használták. A második adatkészlet viszont a fennmaradó 200 résztvevőtől gyűjtött adatokat tartalmazta, és a modell azon képességének validálására használták, hogy megjósolja az egyes betegeknél a neuropszichiátriai tünetek kialakulásának kockázatát.
A csapat többféle gépi tanulási modellt fejlesztett ki és tanított be, köztük az úgynevezett Extreme gradient boosting (XGBoost) modellt, a támogató vektoros gépet (SVM) és a logisztikai regressziós (LR) modellt. Ezután tesztelték azok képességét, hogy megbízhatóan azonosítsák azokat a betegeket, akiknél nagyobb a kockázata a neuropszichiátriai tünetek megjelenésének, a nyál és a száj mikrobiómájának mintáiból nyert biomarkerek elemzésével.
Megállapították, hogy az XGBoost modell jobban teljesített, mint a többi modell. Ezután az egyik általuk kifejlesztett modellt felhasználva létrehoztak egy platformot, amelyhez az egészségügyi szolgáltatók könnyen hozzáférhetnek, és amelyet időskorúak csoportjainak szűrésére lehet használni.
„Az XGBoost (genus-augmented) modell érte el a legjobb teljesítményt, 0,936-os AUROC-értékkel és 0,864-es F1-pontszámmal, felülmúlva a többi modellt” – írták a szerzők.
Az új AI-alapú eszköz lehetséges alkalmazásai
A kutatócsoport által kifejlesztett új gépi tanuláson alapuló szűrőeszköz hamarosan továbbfejlesztésre kerülhet és valós klinikai környezetben tesztelhetővé válhat. A jövőben segíthet az egészségügyi szolgáltatóknak a neuropszichiátriai tünetek és esetlegesen a kognitív hanyatlás korai felismerésében, a terápiás beavatkozások és támogató stratégiák megfelelő tervezésében.
„A kibővített XGBoost-modell és nomogram ígéretes eszközöket kínál a közösségi alapú NPS-szűréshez, míg az enrichment-elemzés betekintést nyújt a biológiai mechanizmusokba” – írták Liu, Yang és kollégáik.
A nomogram egy grafikus, kétdimenziós, nyomtatott vagy digitális eszköz, amelyet komplex, többváltozós képletek kiszámítására használnak, és amely személyre szabott előrejelzéseket ad klinikai eredményekről, például betegségek prognózisáról, a kezelésre adott válaszról vagy a kockázatértékelésről. Egyszerűsíti a statisztikai modelleket azáltal, hogy lehetővé teszi az orvosok számára, hogy ismert betegváltozókat (pl. életkor, tumor mérete) egy vonallal összekapcsoljanak, hogy meghatározzák az eredményt, például a túlélés valószínűségét.
Az enrichment-elemzés (dúsítási elemzés) egy bioinformatikai módszer, amelyet az újgenerációs szekvenálási (NGS) munkafolyamatokban használnak, a genetikai variánsok azonosítására. Segítségével specifikus genomi régiók dúsíthatók és vizsgálhatók, például onkológiai vagy örökletes betegségek diagnosztikájában,
A kutatók által összegyűjtött kezdeti eredmények rávilágítanak a gépi tanulási modellek potenciáljára a biológiai adatok elemzésében és a neuropszichiátriai tünetek korai felismerésében.