Un nuevo modelo desarrollado en el MIT puede ayudar a predecir si los pacientes con riesgo de enfermedad de Alzheimer experimentarán un deterioro cognitivo clínicamente significativo debido a la enfermedad, al predecir sus puntajes de pruebas de cognición hasta dos años en el futuro.
El modelo podría usarse para mejorar la selección de fármacos candidatos y cohortes participantes para ensayos clínicos, que hasta ahora han sido notoriamente infructuosos. También les informaría a los pacientes que pueden experimentar un rápido deterioro cognitivo en los próximos meses y años, por lo quey sus seres queridos pueden prepararse.
Las empresas farmacéuticas en las últimas dos décadas han inyectado cientos de miles de millones de dólares en la investigación del Alzheimer. Sin embargo, el campo ha estado plagado de fracasos: entre 1998 y 2017, hubo 146 intentos fallidos de desarrollar medicamentos para tratar o prevenir la enfermedad, segúna un informe de 2018 de la Investigación Farmacéutica y Fabricantes de América. En ese momento, solo se aprobaron cuatro medicamentos nuevos, y solo para tratar los síntomas. Más de 90 fármacos candidatos están actualmente en desarrollo.
Los estudios sugieren que un mayor éxito en el lanzamiento de medicamentos al mercado podría reducirse a reclutar candidatos que se encuentran en las primeras etapas de la enfermedad, antes de que los síntomas sean evidentes, que es cuando el tratamiento es más efectivo. En un documento que se presentará la próxima semana en Machine LearningPara la conferencia de atención médica, los investigadores del MIT Media Lab describen un modelo de aprendizaje automático que puede ayudar a los médicos a concentrarse en esa cohorte específica de participantes.
Primero entrenaron un modelo de "población" en un conjunto de datos completo que incluía puntajes de pruebas cognitivas clínicamente significativas y otros datos biométricos de pacientes con Alzheimer, y también individuos sanos, recopilados entre las visitas bianuales al médico. De los datos, el modelo aprende patrones que puedenayudar a predecir cómo puntuarán los pacientes en las pruebas cognitivas tomadas entre visitas. En los nuevos participantes, un segundo modelo, personalizado para cada paciente, actualiza continuamente las predicciones de puntajes basadas en datos recién registrados, como la información recopilada durante las visitas más recientes.
Los experimentos indican que se pueden hacer predicciones precisas con anticipación a los seis, 12, 18 y 24 meses. Los médicos podrían utilizar el modelo para ayudar a seleccionar participantes en riesgo para los ensayos clínicos, que probablemente demuestren un rápido deterioro cognitivo, posiblemente incluso antessurgen otros síntomas clínicos. El tratamiento temprano de estos pacientes puede ayudar a los médicos a realizar un mejor seguimiento de los medicamentos antidemencia que funcionan y no funcionan.
"La predicción precisa del deterioro cognitivo de seis a 24 meses es crítica para diseñar ensayos clínicos", dice Oggi Rudovic, investigador de Media Lab. "Ser capaz de predecir con precisión los cambios cognitivos futuros puede reducir el número de visitas que el participante debe hacer, que puede ser costoso y llevar mucho tiempo. Además de ayudar a desarrollar un medicamento útil, el objetivo es ayudar a reducir los costos de los ensayos clínicos para que sean más asequibles y se realicen a mayor escala ".
Junto a Rudovic en el papel están: Yuria Utsumi, una estudiante de pregrado, y Kelly Peterson, una estudiante de posgrado, ambas en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación; Ricardo Guerrero y Daniel Rueckert, ambos del Imperial College de Londres; y Rosalind Picard, profesor de artes y ciencias de los medios y director de investigación de computación afectiva en el Laboratorio de Medios.
Población a personalización
Por su trabajo, los investigadores aprovecharon el conjunto de datos de ensayos clínicos sobre la enfermedad de Alzheimer más grande del mundo, llamado Iniciativa de Neuroimagen de la Enfermedad de Alzheimer ADNI. El conjunto de datos contiene datos de alrededor de 1,700 participantes, con y sin Alzheimer, registrados durante las visitas semestrales al médico durante 10 años.
Los datos incluyen sus puntuaciones de la subescala de cognición de la escala de evaluación de AD ADAS-Cog13, la métrica cognitiva más utilizada para ensayos clínicos de medicamentos para la enfermedad de Alzheimer. La prueba evalúa la memoria, el lenguaje y la orientación en una escala de gravedad crecientehasta 85 puntos. El conjunto de datos también incluye imágenes de resonancia magnética, información demográfica y genética, y mediciones de líquido cefalorraquídeo.
En total, los investigadores entrenaron y probaron su modelo en una subcohorte de 100 participantes, que hicieron más de 10 visitas y tenían menos del 85 por ciento de datos faltantes, cada uno con más de 600 características computables. De esos participantes, 48 erandiagnosticado con la enfermedad de Alzheimer, pero los datos son escasos, con diferentes combinaciones de características que faltan para la mayoría de los participantes.
Para abordar eso, los investigadores utilizaron los datos para entrenar un modelo de población impulsado por un marco de probabilidad "no paramétrico", llamado Procesos Gaussianos GP, que tiene parámetros flexibles para adaptarse a varias distribuciones de probabilidad y procesar incertidumbres en los datos. Esta técnicamide las similitudes entre variables, como los puntos de datos del paciente, para predecir un valor para un punto de datos que no se ve, como un puntaje cognitivo. El resultado también contiene una estimación de la certeza de la predicción. El modelo funciona de manera sólida incluso cuando se analizaconjuntos de datos con valores faltantes o mucho ruido de diferentes formatos de recopilación de datos.
Pero, al evaluar el modelo en pacientes nuevos de una parte de los participantes, los investigadores descubrieron que las predicciones del modelo no eran tan precisas como podrían ser. Por lo tanto, personalizaron el modelo de población para cada paciente nuevo. El sistemaluego, llenaría progresivamente los vacíos de datos con cada nueva visita del paciente y actualizaría la predicción de la puntuación ADAS-Cog13 en consecuencia, actualizando continuamente las distribuciones previamente desconocidas de los médicos generales. Después de aproximadamente cuatro visitas, los modelos personalizados redujeron significativamente la tasa de error en las predicciones.también superó varios enfoques tradicionales de aprendizaje automático utilizados para datos clínicos.
Aprendiendo a aprender
Pero los investigadores descubrieron que los resultados de los modelos personalizados todavía no eran óptimos. Para solucionarlo, inventaron un nuevo esquema de "metaaprendizaje" que aprende a elegir automáticamente qué tipo de modelo, población o personalizado, funciona mejor para cualquier participante en cualquier momento dadotiempo, dependiendo de los datos que se analicen. Metalearning se ha utilizado antes para tareas de visión por computadora y traducción automática para aprender nuevas habilidades o adaptarse rápidamente a nuevos entornos con algunos ejemplos de entrenamiento. Pero esta es la primera vez que se aplica al seguimiento del deterioro cognitivode los pacientes de Alzheimer, donde los datos limitados son un desafío principal, dice Rudovic.
El esquema esencialmente simula el desempeño de los diferentes modelos en una tarea determinada, como predecir un puntaje ADAS-Cog13, y aprende el mejor ajuste. Durante cada visita de un nuevo paciente, el esquema asigna el modelo apropiado, basado enlos datos anteriores. Con los pacientes con datos ruidosos y escasos durante las visitas tempranas, por ejemplo, los modelos de población hacen predicciones más precisas. Sin embargo, cuando los pacientes comienzan con más datos o recogen más a través de visitas posteriores, los modelos personalizados funcionan mejor.
Esto ayudó a reducir la tasa de error para las predicciones en un 50 por ciento adicional. "No pudimos encontrar un solo modelo o una combinación fija de modelos que pudieran darnos la mejor predicción", dice Rudovic. "Entonces, queríamos aprender cómoaprender con este esquema de metaaprendizaje. Es como un modelo sobre un modelo que actúa como un selector, entrenado usando metaconocimiento para decidir qué modelo es mejor implementar ".
A continuación, los investigadores esperan asociarse con empresas farmacéuticas para implementar el modelo en ensayos clínicos del Alzheimer en el mundo real. Rudovic dice que el modelo también puede generalizarse para predecir varias métricas para el Alzheimer y otras enfermedades.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Rob Matheson. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :