内容の概要:人口の高齢化が進むにつれて、認知症は公衆衛生上の問題となっています。現在、認知症の治療は薬で軽減するしかなく、有効な治療法も見つかっていないため、特に認知症の予防は急務となっています。このような状況を背景に、延世大学の研究者は、BPSD を予測するためのいくつかの機械学習モデルを開発し、検証しました。実験結果は、機械学習が BPSD 亜症候群を効果的に予測できることを示しています。
キーワード：認知症BPSD勾配ブースティングマシン
この記事は、HyperAI スーパー ニューラル WeChat パブリック プラットフォームで初めて公開されました~
現在、世界中で5億5,000万人以上が認知症（アルツハイマー病が最も一般的なタイプ）に苦しんでおり、毎年1,000万人近くが新たに発症しており、人口の高齢化が2倍に進むため、この数は2050年までに増加すると予想されています。認知症は、記憶力、思考力、推論力がゆっくりと低下する脳障害です。この病気は主に高齢者に影響を及ぼし、高齢者のセルフケア能力を失う主な原因の 1 つであり、世界の主な死因 (死亡者数の合計) の中で 7 位に位置し、上位 3 位にランクされています。虚血性心疾患、脳卒中、慢性閉塞性肺疾患です。
通常、認知症患者は、認知障害に加えて、興奮、攻撃性、無関心、抑うつなどのさまざまな行動心理症状 (BPSD) を示します。これらの症状は認知症ケアにおいて最も複雑かつ困難な問題の一部であり、患者が自立して生活することができない一因となるだけでなく、介護者に多大な負担を課すことにもなります。
最近、韓国の延世大学の研究者、Eunhee Choらは、BPSDを予測するためのいくつかの機械学習モデルを開発し、検証しました。この研究は、「認知症の行動的および心理的症状の発生に関する機械学習ベースの予測モデル：モデルの開発と検証」というタイトルで学術誌「Scientific Reports」に掲載された。
研究成果は「Scientific Reports」に掲載されました
用紙のアドレス:
認知症の行動的および心理的症状の発生に関する機械学習ベースの予測モデル: モデルの開発と検証 | 科学レポート
データセット
データ収集は 3 回の旅行で実行され、合計 187 人の認知症患者がモデルのトレーニングに使用され、さらに 35 人の患者が外部検証に使用されました。2 回目のデータ収集では、最初のデータ収集の参加者を繰り返し測定し、3 回目のデータ収集では測定のために新しい参加者を募集しました。研究では、1 回目と 2 回目に収集されたデータがトレーニング セットとして使用され、3 回目に収集されたデータ セットがテスト セットとして使用されました。
参加者の包括的な特徴情報を収集するために、研究者らはまず参加者の健康データ（年齢、性別、婚姻状況など）を調査した。ロガーは夜間の睡眠と活動レベルを監視し、最後に症状日記を使用して介護者が認識した誘因を記録した。患者に毎日起こる症状（空腹/喉の渇き、排尿/排便、痛み、不眠症、騒音など）と12のBPSDを分析します。さらに、これらの症状は 7 つのサブ症候群にも分類されており、下の図は身体活動レコーダーと症状日記のデータの記録を視覚的に示しています。
表 1:アクティグラフィーと症状日記の統計
SD:標準偏差
TST:総睡眠時間
WASO:眠りについた後に起きる時間
NoA:ウェイクアップの数
MAL:起きている時間
METs:代謝当量
MVPA:中程度から激しい身体活動
BPSD:認知症の行動的および心理的症状
その他の原因:他の介護者が感知したBPSDの引き金（治療、悪夢など）
しかし、参加者の不服従や装置の不適切な装着などの理由により、アクチグラフのデータが欠落しており、統計によると、データ欠落者は参加者全体の36％を占め、平均0.9日でした。一人あたりのデータ欠損数。したがって、研究者らは、欠落データのこの部分に対処するために、多重代入の連鎖方程式 (連鎖方程式を使用して多変量代入を適用しました) を使用しました。
実験手順
研究者らは 4 つのモデルをトレーニングして、各亜症候群を予測するための最適なモデルを決定しました。この発見に基づいて、研究者はこれらのモデルをBPSD亜症候群の臨床モニタリングと予測に適用できます。同時に、潜在的なBPSD影響因子にも介入し、患者中心の認知症ケアサービスを実現していきます。さらに、機械学習アルゴリズムをスマホアプリに組み込んで、アプリの価値をさらに高めることもできます。
モデルのパフォーマンス
研究者らは、ロジスティック回帰、ランダム フォレスト、勾配ブースティング マシン、サポート ベクター マシンを含む 4 つの機械学習アルゴリズムを使用してモデルのパフォーマンスを評価し、BPSD 亜症候群の予測に最適なモデルを選択しました。ここで、ロジスティック回帰モデルは最も一般的で成熟しているため、機械学習のパフォーマンス向上を判断するためのベンチマーク モデルとして使用されます。
トレーニング セットに基づいて、5 分割交差検証を通じて、BPSD 亜症候群を予測するためのさまざまなモデルのパフォーマンスは次のとおりです。
表 2: トレーニング セットに基づく、BPSD 亜症候群のさまざまなモデルの予測パフォーマンス
AUC: ROC 曲線の下の面積
LR:ロジスティック回帰モデル
RF:ランダム フォレスト モデル
GBM:グラジエントブースティングマシンモデル
SVM:サポート ベクター マシン モデル
ROC 曲線: ROC (受信者動作特性曲線) 曲線は、分類器のパフォーマンスを示すグラフィカル ツールです。
AUC 値: AUC (曲線下面積) 値は、分類器のパフォーマンスを測定するために使用される ROC 曲線の下の面積を表します。AUC 値が 1 に近づくほど、分類器のパフォーマンスは向上します。
表 2 は、ADHD (0.706)、情動症状 (0.747)、摂食障害 (0.816) の予測において、勾配ブースティング マシン モデルの AUC 値が高く、精神症状の予測においてサポート ベクター マシン モデルの AUC 値 (0.706) が最も高いことを示しています。 ; ランダムフォレスト モデルは、睡眠と夜間行動の AUC 値が最も高く (0.942)、ロジスティック回帰モデルは、異常な活動行動 (0.822) と病的幸福感 (多幸感/高揚感、0.696) の AUC 値が最も高かった。
モデルの検証
研究者らは外部検証手法を使用して、収集された 3 番目のデータセットでモデルを検証しました。テストセットに基づいて、BPSD 亜症候群を予測するためのさまざまなモデルのパフォーマンスは次のとおりです。
表 3: テスト データセットに基づく、BPSD 亜症候群のさまざまなモデルの予測パフォーマンス
AUC: ROC 曲線の下の面積
LR:ロジスティック回帰モデル
RF:ランダム フォレスト モデル
GBM:グラジエントブースティングマシンモデル
SVM:サポート ベクター マシン モデル
表 3 は、機械学習モデルのパフォーマンスがロジスティック回帰モデルよりも優れていることを示しています。具体的には、ほとんどのサブ症候群では、ランダム フォレストおよび勾配ブースティング マシン モデルのパフォーマンスがロジスティック回帰およびサポート ベクター マシン モデルよりも優れており、摂食障害 (0.888) では他の予測モデルよりも優れています。勾配ブースティング マシン モデル精神症状の予測では他の予測モデルよりも高い AUC 値 (0.801) を持ち、サポート ベクター マシン モデルは睡眠時および夜間行動 (0.929) での AUC 値が最も高く、AUC 値が最も高かった。
2 つのチャートの情報を組み合わせると、研究者らは、勾配ブースティング マシン モデルが7 つのサブ症候群の予測において最も高い平均 AUC 値、つまり最高のパフォーマンスを発揮することを発見しました。同時に、研究者らは、テストデータセットのサンプルサイズが小さい場合、予測パフォーマンスの結果を慎重に外挿する必要があることを思い出させ、将来的にはより大きなサンプルサイズで実験を繰り返す必要があることを示唆しました。より正確な予測結果が得られます。
国内実績：認知症の発症を10年前に予測
認知症の予測に関しては諸外国のみならず、中国でも顕著な成果を上げている。昨年9月、復丹大学付属華山病院神経内科主任医師のYu Jintai氏の臨床研究チームは、復丹大学脳知能知能科学技術研究所のFeng Jianfeng教授およびアルゴリズムチームとともに、若手研究者の Cheng Wei 氏は、UKB-DRP 認知症予測モデルを開発しました。
このモデルは、個人が今後 5 年、10 年、あるいはそれ以上で病気を発症するかどうかを予測し、全原因認知症とその主要なサブタイプ (アルツハイマー病など) を含む認知症の初期段階にあるグループを選別することができます。研究成果は「Lancet」のサブジャーナル「Electronic Clinical Medicine」に掲載された。
用紙のアドレス:
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext
この研究結果は、認知症予測分野における国内のイノベーション力と科学研究レベルも示している。将来的には、より多くの機関や研究チームが参加し、より包括的で多様なデータが蓄積されることで、国内外での協力と進歩がさらに進むことが期待されます。人工知能とビッグデータ分析の力を活用すれば、認知症の予防、治療、管理にさらに貢献し、患者と家族により多くの希望と幸福をもたらすことができます。
この記事は、HyperAI スーパー ニューラル WeChat パブリック プラットフォームで初めて公開されました~