Dans un article récent publié sur medRxiv* serveur de préimpression, les chercheurs évaluent la valeur prédictive d’une approche multidimensionnelle d’apprentissage automatique (ML) pour surveiller la progression de la maladie d’Alzheimer (MA).
Étude: Classification basée sur l’apprentissage automatique de la maladie d’Alzheimer et de ses états à risque en utilisant les traits de personnalité, l’anxiété et la dépression. Crédit d’image : Triff/Shutterstock.com
*Avis important: medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
Sommaire
Arrière-plan
Les patients atteints de MA connaissent souvent des changements importants dans leur personnalité à mesure que la maladie progresse. Ceux-ci incluent un névrosisme accru, ainsi qu’une amabilité, une extraversion, une conscience et une ouverture réduites.
Bien que les traits de personnalité fluctuent tout au long de la vie, le développement de l’anxiété et de la dépression peut souvent refléter certains traits de personnalité. Par exemple, des niveaux plus élevés de dépression et d’anxiété sont souvent associés à un déclin cognitif subjectif, à une déficience cognitive légère amnésique (aMCI) et à la MA.
En plus de ces changements de personnalité, divers changements d’imagerie par résonance magnétique fonctionnelle (IRMf) peuvent également être utilisés pour surveiller la progression de la MA. En outre, des niveaux altérés de bêta-amyloïde (A1β-42), de tau total (tTau) et de tau phosphorylé (pTau181) dans le liquide céphalo-rachidien (LCR) sont des biomarqueurs établis du diagnostic de la MA. Cependant, étant donné que la collecte d’échantillons de liquide céphalo-rachidien (LCR) est une procédure invasive de ponction lombaire, elle n’est généralement effectuée qu’en cas de suspicion clinique, indiquant ainsi la nécessité d’approches diagnostiques moins invasives.
À propos de l’étude
Pour former l’approche ML pour l’étude actuelle, les chercheurs ont utilisé l’imagerie par résonance magnétique fonctionnelle (IRM) à l’état de repos voxel, les traits de personnalité « Big Five », la dépression, l’anxiété, le génotype de l’apolipoprotéine E (ApoE) et les biomarqueurs du LCR.
Les variables prédictives ont été classées en ensembles de fonctionnalités à utiliser dans le SVM et la prédiction des groupes de participants. Il y avait huit ensembles de fonctionnalités, dont le modèle de base, mPerAF, personnalité, dépression, anxiété, personnalité étendue, ApoE, CSF, et tous sans biomarqueurs CSF.
La précision du décodage (DA) a été utilisée pour évaluer la performance prédictive de la classification des participants. De même, la précision de classe (CA) a été utilisée pour prédire les mêmes valeurs séparément pour chaque groupe, qui variaient de zéro à un.
Résultats de l’étude
Tous les ensembles de caractéristiques ont démontré un DA significativement supérieur au hasard, avec le DA le plus élevé observé pour quatre ensembles de caractéristiques, y compris la personnalité étendue, le CSF composé de tTau, pTau et le rapport Aβ42/40, ApoE, ainsi que les scores de dépression et d’anxiété.
Le modèle de base et les ensembles de fonctionnalités CSF n’ont pas atteint une performance de classification significative au-dessus du hasard pour le groupe HC, contrairement à tous les autres ensembles de fonctionnalités. En fait, ces ensembles avaient la précision de classification la plus faible pour le groupe aMCI.
Pour HC, un ensemble de fonctionnalités comprenant des scores de dépression et d’anxiété a atteint la précision de classe la plus élevée. Cela pourrait être dû au manque d’individus atteints de pathologie AD dans les groupes HC, alors que les groupes SCD et aMCI comprenaient davantage d’individus à risque de progression de la MA.
Notamment, mPerAF a fonctionné au-dessus du hasard ; cependant, ses performances ne variaient pas par rapport au modèle de base. La plupart des études DMN précédentes se sont concentrées sur la connectivité fonctionnelle, plutôt que sur les mesures d’amplitude par voxel, telles que mPerAF ; par conséquent, la capacité prédictive de l’IRMf à l’état de repos du DMN pour la MA a conduit à des résultats incohérents. L’approche de l’étude actuelle ressemblait à un processus de diagnostic automatisé et ne prenait pas de décisions dichotomiques entre les groupes.
L’inclusion de mPerAF a réduit les performances de la SVM, annulant ainsi l’hypothèse selon laquelle la combinaison de l’ensemble de fonctionnalités «tout sans CSF» pourrait surpasser les biomarqueurs de CSF en termes de précision de prédiction. L’ensemble de fonctionnalités « personnalité étendue » a dépassé la personnalité ; cependant, alors que les deux ensembles de caractéristiques classaient avec précision le groupe aMCI de manière égale, leurs précisions pour le groupe SCD étaient insignifiantes.
Ni SCD ni aMCI ne sont spécifiques à la MA, car le vieillissement contribue également au développement de ces conditions. Ainsi, les taux de conversion en AD variaient, ce qui justifie la faible précision des classes pour ces groupes de participants.
conclusion
Aucune des combinaisons des ensembles de fonctionnalités évalués n’a atteint de manière constante des précisions de classe supérieure pour tous les groupes de participants. Les biomarqueurs du LCR classaient le plus efficacement les participants atteints de MA légère, tandis que les scores de dépression et d’anxiété combinés classaient efficacement les témoins sains, réaffirmant ainsi que la dépression tardive est un prodrome de la MA.
La précision globale des prédictions dans les quatre groupes de participants comportait une combinaison de traits de personnalité avec des scores de dépression et d’anxiété en tête, suivis de près par les biomarqueurs du LCR et le génotype ApoE.
Les résultats de l’étude indiquent que la classification des groupes SCD et aMCI à l’aide d’approches ML reste difficile, car leurs troubles cognitifs sont souvent inconnus. Des recherches supplémentaires sont nécessaires, en particulier pour déterminer la valeur prédictive des traits de personnalité et des états associés en tant qu’outils de dépistage peu coûteux tout en respectant les cadres de terminologie et de concepts acceptés.
*Avis important: medRxiv publie des rapports scientifiques préliminaires qui ne sont pas évalués par des pairs et, par conséquent, ne doivent pas être considérés comme concluants, guider la pratique clinique/les comportements liés à la santé, ou traités comme des informations établies.
