Alzheimer: Peneliti membuat model untuk memprediksi penurunan
Peneliti dari Massachusetts Institute of Technology telah mengembangkan model pembelajaran mesin yang dapat memprediksi tingkat penurunan kognitif terkait Alzheimer hingga 2 tahun ke depan.
Penyakit Alzheimer menyerang jutaan orang di seluruh dunia, namun para ilmuwan masih belum tahu apa penyebabnya.
Untuk alasan ini, strategi pencegahan bisa jadi hit and miss. Selain itu, profesional perawatan kesehatan tidak memiliki cara yang jelas untuk menentukan tingkat penurunan kognitif seseorang setelah dokter mendiagnosisnya dengan Alzheimer.
Sekarang, para peneliti dari Massachusetts Institute of Technology (MIT) di Cambridge - bekerja sama dengan spesialis dari institusi lain - telah mengembangkan model pembelajaran mesin yang memungkinkan spesialis untuk memprediksi seberapa besar fungsi kognitif seseorang akan berubah hingga 2 tahun ke depan. penurunan ini menjadi mapan.
Tim - terdiri dari Ognjen Rudovic, Yuria Utsumi, Kelly Peterson, Ricardo Guerrero, Daniel Rueckert, dan Prof. Rosalind Picard - akan mempresentasikan proyek mereka akhir minggu ini di konferensi Machine Learning for Healthcare. Konferensi tahun ini akan berlangsung di Ann Arbor, MI.
“Prediksi akurat dari penurunan kognitif dari 6 hingga 24 bulan sangat penting untuk merancang uji klinis,” jelas Rudovic. Ini, tambahnya, karena "[b] eing mampu memprediksi secara akurat perubahan kognitif di masa depan dapat mengurangi jumlah kunjungan yang harus dilakukan peserta, yang bisa mahal dan memakan waktu."
“Selain membantu mengembangkan obat yang bermanfaat,” lanjut peneliti, “tujuannya adalah membantu mengurangi biaya uji klinis agar lebih terjangkau dan dilakukan dalam skala yang lebih besar.”
Menggunakan pembelajaran meta untuk memprediksi penurunan
Untuk mengembangkan model baru mereka, tim menggunakan data dari Alzheimer's Disease Neuroimaging Initiative (ADNI), yang merupakan kumpulan data uji klinis penyakit Alzheimer terbesar di dunia.
Melalui ADNI, para peneliti dapat mengakses data dari sekitar 1.700 orang - beberapa dengan dan beberapa tanpa penyakit Alzheimer - dikumpulkan selama 10 tahun.
Tim memiliki akses ke informasi klinis, termasuk penilaian fungsi kognitif peserta, pemindaian otak, data mengenai susunan DNA individu, dan pengukuran cairan serebrospinal, yang mengungkap biomarker penyakit Alzheimer.
Sebagai langkah pertama, para peneliti mengembangkan dan menguji model pembelajaran mesin mereka menggunakan data dari subkelompok yang terdiri dari 100 peserta. Namun, ada banyak data yang hilang tentang kelompok ini. Jadi, para peneliti memutuskan untuk menggunakan pendekatan statistik yang berbeda untuk menganalisis data kelompok yang tersedia dengan cara yang akan membuat analisis lebih akurat.
Namun, model baru tersebut tidak mencapai tingkat akurasi yang diharapkan pengembangnya. Untuk membuatnya lebih akurat, para peneliti menggunakan data dari subkohort peserta ADNI lainnya.
Namun kali ini, tim memutuskan untuk tidak menerapkan model yang sama kepada semua orang. Sebaliknya, mereka mempersonalisasi model agar sesuai dengan setiap peserta, mengambil data baru saat tersedia setelah setiap penilaian klinis baru.
Dengan pendekatan ini, para peneliti menemukan bahwa model tersebut menyebabkan tingkat kesalahan yang lebih rendah secara signifikan dalam prediksinya. Selain itu, performanya lebih baik daripada model pembelajaran mesin yang ada yang diterapkan pada data klinis.
Namun, para peneliti melangkah lebih jauh untuk memastikan bahwa pendekatan mereka menyisakan ruang untuk kesalahan sekecil mungkin. Mereka kemudian merancang model "pembelajaran meta" yang dapat memilih pendekatan terbaik untuk memprediksi hasil kognitif pada setiap peserta.
Model ini secara otomatis memilih antara populasi keseluruhan dan pendekatan yang dipersonalisasi, menghitung mana yang paling mungkin menawarkan prediksi terbaik untuk individu tertentu pada titik waktu tertentu.
Para peneliti menemukan bahwa pendekatan ini mengurangi tingkat kesalahan untuk prediksi sebanyak 50% tambahan.
"Kami tidak dapat menemukan model tunggal atau kombinasi model tetap yang dapat memberikan kami prediksi terbaik," jelas Rudovic.
“Jadi kami ingin belajar bagaimana belajar dengan skema meta learning ini. Ini seperti model di atas model yang bertindak sebagai pemilih, dilatih menggunakan pengetahuan meta untuk memutuskan model mana yang lebih baik untuk diterapkan. "
Ognjen Rudovic
Ke depannya, tim bertujuan untuk membentuk kemitraan dengan perusahaan farmasi untuk menguji model ini dalam uji coba penyakit Alzheimer yang sedang berlangsung.
