TOKYO, 29 december 2023 – (JCN Newswire) – Oita University en Eisai Co., Ltd. (Eisai) kondigen hierbij de ontwikkeling aan van 's werelds eerste machine learning-model om de accumulatie van amyloïde bèta(1) (Aβ) in de hersenen te voorspellen met behulp van een polsbandsensor. Verwacht wordt dat dit model screening op Aβ-accumulatie in de hersenen mogelijk zal maken, wat een belangrijke pathologische factor is bij de ziekte van Alzheimer(2) (AD), eenvoudigweg door het verzamelen van biologische en levensstijlgegevens uit het dagelijks leven.

De details van dit model zijn op 12 december 2023 gepubliceerd in de online editie van het peer-reviewed medische tijdschrift Alzheimer’s Research & Therapy.

Bij AD, dat verantwoordelijk zou zijn voor meer dan 60% van de oorzaken van dementie, begint Aβ zich ongeveer twintig jaar vóór het begin van de ziekte in de hersenen op te hopen. Dit heeft geleid tot de ontwikkeling van nieuwe therapeutische geneesmiddelen die zich richten op Aβ, wat heeft geleid tot de goedkeuring van een gehumaniseerd, anti-oplosbaar geaggregeerd Aβ-monoklonaal antilichaam in Japan. De sleutel tot het maximaliseren van de behandelingseffecten van het geneesmiddel is het detecteren van Aβ-accumulatie in de hersenen van patiënten met milde cognitieve stoornissen vóór het begin van de symptomen. Hoewel ophoping van Aβ in de hersenen kan worden gedetecteerd met behulp van positronemissietomografie(20) (amyloïde PET) en testen van hersenvocht*3 (CSF-testen), is het aantal medische instituten dat deze tests kan uitvoeren momenteel beperkt, en de hoge kosten en invasiviteit van deze tests worden als problemen beschouwd. Daarom is er gezocht naar de ontwikkeling van een goedkope en gemakkelijk te gebruiken screeningmethode om degenen te identificeren die amyloïde PET- of CSF-testen nodig hebben.

Hoewel levensstijlfactoren, waaronder gebrek aan lichaamsbeweging, sociaal isolement en slaapstoornissen, evenals ziekten, waaronder hypertensie, diabetes en hart- en vaatziekten bekende risicofactoren zijn voor AD, hebben tot nu toe onderzoeken waarbij machine learning-modellen worden toegepast om de accumulatie van Aβ in de hersenen te voorspellen gebruikte alleen cognitieve functietests, bloedtesten en hersenscans. Dit is daarentegen het eerste machine learning-onderzoek dat zich richt op ‘biologische gegevens’ en ‘levensstijlgegevens’.

Deze studie integreerde ‘biologische gegevens’ verzameld door polsbandsensoren, zoals fysieke activiteit, slaap en hartslag, ‘levensstijlgegevens’ verkregen uit medische consultaties, zoals aantal leden van het huishouden, arbeidsstatus, frequentie van uitgaan, transportmiddelen , aantal dagen dat deelneemt aan gemeenschapsactiviteiten, en ‘achtergrond van de proefpersonen’, zoals leeftijd, opleidingsgeschiedenis, geschiedenis van alcoholgebruik en medische geschiedenis (hypertensie, beroerte, diabetes, hartziekte, schildklierziekte) om een ​​machinaal leermodel te creëren om individuen te voorspellen die waarschijnlijk positief zullen testen door amyloïde PET in de hersenen, en de prestaties van het model te evalueren. Het resultaat van dit onderzoek toonde aan dat de Area Under the Curve (AUC), een evaluatie-index van het voorspellingsmodel bestaande uit “biologische gegevens”, “levensstijlgegevens” en “achtergrond van de proefpersonen”, 0.79 was, wat leidde tot de beslissing dat de model heeft voldoende mogelijkheden voor screening. Dit machine learning-model kan de Aβ-accumulatie in de hersenen voorspellen met behulp van direct beschikbare niet-invasieve variabelen. Als gevolg hiervan lijkt dit model breed toepasbaar als pre-screening voor mensen die in gebieden wonen met weinig toegang tot amyloïde PET- en CSF-testen, en om de financiële en fysieke last voor patiënten te verminderen, evenals de kosten van klinische onderzoeken.

Achtergrond en overzicht van onderzoek

Nu Japan een sterk vergrijzende samenleving is geworden door de stijging van het aantal dementiepatiënten ouder dan 65 jaar, is de ontwikkeling van nieuwe therapeutische middelen voor AD, de meest voorkomende oorzaak van dementie, een dringende kwestie. Leefgewoonten zoals gebrek aan lichaamsbeweging, sociaal isolement en slaapstoornissen, evenals ziekten zoals hoge bloeddruk, diabetes en hart- en vaatziekten, zijn bekende risicofactoren voor AD. De ontwikkeling van geneesmiddelen die zich richten op Aβ heeft de afgelopen jaren vooruitgang geboekt, en dit jaar werd in Japan een anti-Aβ-protofibril-antilichaam goedgekeurd. Om de effecten van dit geneesmiddel te maximaliseren, is het essentieel om personen met presymptomatische milde cognitieve stoornissen (MCI) te identificeren die waarschijnlijk een verhoogde accumulatie van amyloïde in de hersenen hebben. Hoewel er tot nu toe rapporten beschikbaar zijn over machine learning-modellen voor het voorspellen van Aβ-accumulatie in de hersenen door middel van cognitieve functietests, bloedtesten en hersenscans, heeft geen enkel onderzoek zich gericht op biologische gegevens of levensstijlgegevens. Dit onderzoek is 's werelds eerste poging om een ​​machinaal leermodel te creëren om de amyloïde-positiviteit bij proefpersonen te voorspellen door gebruik te maken van 'biologische gegevens' verzameld met een polsbandsensor, waaronder dagelijkse activiteit, slaap, spraak en hartslag, en 'levensstijlgegevens' verzameld via medisch consult.

Resultaten en betekenis van onderzoek, toekomstige ontwikkeling

Dit onderzoek maakte gebruik van gegevens uit een prospectieve cohortstudie onder ouderen zonder dementie van 65 jaar en ouder, woonachtig in Usuki City, prefectuur Oita, uitgevoerd tussen augustus 2015 en september 2019. 122 personen (54 mannen, 68 vrouwen, mediane leeftijd 75.50 jaar) met milde cognitieve stoornissen of subjectieve geheugenstoornissen droegen ongeveer 7 dagen per 3 maanden een polsbandsensor. De studie verzamelde ook levensstijlgegevens via medisch consult, en de proefpersonen ondergingen in de loop van drie jaar regelmatig amyloïde PET-onderzoeken (eenmaal per jaar). Het onderzoek evalueerde een voorspellend model dat was gemaakt met drie machine learning-technologieën, support vector machine, Elastic Net en logistieke regressie, om ‘biologische gegevens’ verzameld door polsbandsensoren, zoals fysieke activiteit, slaap en hartslag, en ‘levensstijlgegevens’ te integreren. verkregen uit medische consultaties, zoals samenwonen met leden van het huishouden, arbeidsstatus, frequentie van uitgaan, transportmiddelen, aantal dagen dat deelneemt aan gemeenschapsactiviteiten, evenals de “achtergrond van het onderwerp”, zoals leeftijd, opleidingsgeschiedenis, geschiedenis alcoholgebruik en medische voorgeschiedenis (hypertensie, beroerte, diabetes, hartaandoeningen, schildklieraandoeningen). Terwijl de AUC van een voorspellend model dat is gemaakt op basis van uitsluitend ‘biologische gegevens’ verzameld door de polsbandsensoren met behulp van Elastic Net bijvoorbeeld 3 was, was de AUC van een voorspellend model dat was gemaakt met aanvullende ‘levensstijlgegevens’ en de achtergrond van de patiënt 0.70, wat verbeterde prestaties liet zien. . Dit onderzoek is 's werelds eerste poging om een ​​machinaal leermodel te creëren om de accumulatie van Aβ in de hersenen te voorspellen door gebruik te maken van 'biologische gegevens' verzameld met een polsbandsensor, waaronder dagelijkse activiteit, slaap, spraak en hartslag, en 'levensstijlgegevens' verzameld via medische hulpmiddelen. overleg, evenals de “achtergrond van de onderwerpen”.

Bovendien werden met behulp van de modernste algoritmen om meerdere factoren te identificeren die bijdragen aan het voorspellen van Aβ-accumulatie 22 gemeenschappelijke factoren geïdentificeerd die gemeenschappelijk waren in de drie leermachinetechnologieën. Specifiek geïdentificeerd waren fysieke activiteit, slaap, hartslag, hoeveelheid gesprekken, leeftijd, opleidingsduur, leven met of zonder kinderen, vervoermiddelen, aanwezigheid van een begeleidende persoon bij ziekenhuisbezoeken, communicatiefrequenties en het aantal uitstapjes.

Academisch artikel:

Titel: Voorspellen van positronemissietomografie-amyloïde-positiviteit in de hersenen met behulp van interpreteerbare machine learning-modellen met draagbare sensorgegevens en levensstijlfactoren

Auteurs: Noriyuki Kimura (Afdeling Neurologie, Faculteit Geneeskunde, Oita Universiteit) 1,2, Tomoki Aota (Eisai Co., Ltd.) 1, Yasuhiro Aso (Oita Prefectural Hospital), Kenichi Yabuuchi (Afdeling Neurologie, Faculteit Geneeskunde , Oita University), Kotaro Sasaki (Eisai Co., Ltd.), Teruaki Masuda (Afdeling Neurologie, Faculteit Geneeskunde, Oita Universiteit), Atsuko Eguchi (Afdeling Neurologie, Faculteit Geneeskunde, Oita Universiteit), Yoshitaka Maeda (Eisai Co., Ltd.), Ken Aoshima (Eisai Co., Ltd./Universiteit van Tsukuba) 2, Etsuro Matsubara (Afdeling Neurologie, Faculteit Geneeskunde, Oita Universiteit)

1. Deze auteurs hebben in gelijke mate bijgedragen aan het manuscript.   
2. Corresponderende auteur.

Uitgever: Alzheimer’s Research & Therapy

U kunt eventuele interviewverzoeken of vragen richten aan de onderstaande contactgegevens

Voor meer informatie of vragen over dit onderzoek Noriyuki Kimura, universitair hoofddocent, afdeling Neurologie, Faculteit Geneeskunde, Oita University

(1) Amyloïde bèta: een eiwit dat wordt beschouwd als een oorzaak van de ziekte van Alzheimer en dat zich ongeveer twintig jaar vóór het begin van de ziekte in de hersenen ophoopt en seniele plaques vormt.
(2) De ziekte van Alzheimer: de meest voorkomende oorzaak van dementie, en de pathologische kenmerken ervan omvatten seniele plaques, neurofibrillaire knopen en neuronale celdood
(3) Amyloïde PET: een hersenscantest die de accumulatie van Aβ in de hersenen visualiseert
(4) Testen van hersenvocht: een test waarbij hersenvocht wordt geanalyseerd op Aβ42, gefosforyleerd tau en totaal tau als biomarkers voor de ziekte van Alzheimer

TEL: +81-(0)97-586-5814, FAX: +81-(0)97-586-6502
E-mail：naika3@oita-u.ac.jp

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.jcnnewswire.com/pressrelease/88364/3/