东京，2023年12月29日——(日本联合通讯社)——大分大学和卫材株会社(以下简称卫材)在此宣布开发出世界上第一个机器学习模型，该模型使用腕带传感器来预测β淀粉样蛋白(1)(a β)在大脑中的积累。该模型有望通过简单地收集日常生活中的生物学和生活方式数据，筛选大脑Aβ积累，这是阿尔茨海默病(AD)的一个重要病理因素。
该模型的细节于2023年12月12日发表在同行评议的医学杂志《阿尔茨海默病研究与治疗》的网络版上。
在阿尔茨海默病中，Aβ在发病前大约20年就开始在大脑中积累，据说阿尔茨海默病占痴呆症病因的60%以上。这促进了针对Aβ的新治疗药物的开发，导致日本批准了人源抗可溶性聚集Aβ单克隆抗体。使药物治疗效果最大化的关键是在症状出现之前检测轻度认知障碍患者大脑中的Aβ积累。目前，虽然可以通过正电子发射断层扫描(3)(淀粉样蛋白PET)和脑脊液测试*4 (CSF测试)检测脑Aβ积累，但能够进行这些测试的医疗机构数量有限，并且这些测试的高成本和侵入性被认为是问题。因此，开发一种廉价且易于使用的筛选方法已被寻求，以确定那些需要淀粉样蛋白PET或CSF检测的人。
虽然生活方式因素，包括缺乏运动、社会隔离和睡眠障碍，以及疾病，包括高血压、糖尿病和心血管疾病，都是已知的AD的危险因素，但到目前为止，应用机器学习模型预测大脑Aβ积累的研究只使用了认知功能测试、血液测试和脑成像测试。相比之下，这是第一个专注于“生物数据”和“生活方式数据”的机器学习研究。
本研究整合了腕带传感器收集的“生物数据”，如体力活动、睡眠、心率等;通过医疗咨询获得的“生活方式数据”，如家庭成员数量、就业状况、户外活动频率、交通工具、参加社区活动的天数等;以及“受试者背景”，如年龄、受教育程度、饮酒史、病史(高血压、中风、糖尿病、心脏病)等。甲状腺疾病)创建一个机器学习模型，以预测可能通过脑淀粉样蛋白PET检测呈阳性的个体，并评估模型的性能。本研究结果表明，由“生物数据”、“生活方式数据”和“被试背景”组成的预测模型的评价指标曲线下面积(Area Under The Curve, AUC)为0.79，认为该模型具有足够的筛选能力。该机器学习模型能够使用现成的非侵入性变量预测大脑Aβ积累。因此，该模型似乎广泛适用于生活在很少获得淀粉样蛋白PET和CSF检测的地区的人们的预筛查，并减轻患者的经济和身体负担，以及临床研究的成本。
研究背景和研究大纲
随着65岁以上痴呆症患者的增加，日本已经进入了超老龄化社会，因此开发新的治疗药物是当务之急。AD是痴呆症最常见的病因。生活习惯，如缺乏运动、社会隔离、睡眠障碍，以及高血压、糖尿病和心血管疾病等疾病，都是已知的AD的危险因素。近年来，针对Aβ的药物开发取得了进展，今年，一种抗Aβ原纤维抗体在日本获得批准。为了最大限度地发挥该药的作用，有必要识别有症状前轻度认知障碍(MCI)的个体，他们可能有较高的脑淀粉样蛋白积累。迄今为止，虽然有关于通过认知功能测试、血液测试和脑成像测试预测脑Aβ积累的机器学习模型的报告，但没有研究关注生物数据或生活方式数据。该研究是世界上首次尝试利用腕带传感器收集的日常活动、睡眠、语言、心率等“生物数据”和通过医疗咨询收集的“生活方式数据”，建立预测受试者淀粉样蛋白阳性的机器学习模型。
研究结果与意义，未来发展
本研究利用了2015年8月至2019年9月期间对大分县臼上市65岁及以上无痴呆症老年人进行的前瞻性队列研究的数据。122名患有轻度认知障碍或主观记忆障碍的患者(54名男性，68名女性，中位年龄75.50岁)每3个月佩戴约7天的腕带传感器。该研究还通过医疗咨询收集了生活方式数据，并在3年的时间里定期接受淀粉样蛋白PET检查(每年一次)。该研究利用支持向量机(support vector machine)、弹性网络(Elastic Net)和逻辑回归(logistic regression)三种机器学习技术建立了预测模型，将腕带传感器收集的身体活动、睡眠、心跳等“生物数据”，以及医疗咨询获得的“生活方式数据”，如与家庭成员住在一起、就业状况、外出频率、交通工具、参加社区活动的天数等，整合在一起。以及“受试者的背景”，如年龄、教育历史、饮酒史和病史(高血压、中风、糖尿病、心脏病、甲状腺疾病)。例如，仅使用使用Elastic Net的腕带传感器收集的“生物数据”创建的预测模型的AUC为0.70，而使用额外的“生活方式数据”和患者背景创建的预测模型的AUC为0.79，表现出更好的性能。这项研究是世界上首次尝试创建机器学习模型，利用腕带传感器收集的日常活动、睡眠、语言、心率等“生物数据”，以及通过医疗咨询收集的“生活方式数据”，以及“受试者背景”，预测大脑中a β的积累。
此外，使用最先进的算法来识别有助于预测Aβ积累的多个因素，确定了22个共同因素，这些因素在三种学习机技术中是共同的。具体确定的是身体活动、睡眠、心率、交谈次数、年龄、受教育时间、是否有孩子、交通工具、是否有陪同人员就诊、通信频率和外出次数。
学术论文:
题目:使用可穿戴传感器数据和生活方式因素的可解释机器学习模型预测正电子发射断层扫描脑淀粉样蛋白阳性
作者:木村守之(大分大学医学部神经内科)1,2，青田知树(卫材株式会社)1，麻生康弘(大分县立医院)，谷口健一(大分大学医学部神经内科)，佐佐木小太郎(卫材株式会社)，增田光明(大分大学医学部神经内科)，江口敦子(大分大学医学部神经内科)，前田义孝(卫材株式会社)，青山健(卫材株式会社)，2、松原悦郎(大分大学医学部神经内科)1、大分大学医学部神经内科这些作者对手稿的贡献相同。2. 相应的作者。
出版商:阿尔茨海默病研究与治疗
如有任何面试要求或咨询，请联系以下联系方式
有关本研究的进一步信息或任何查询，大分大学医学院神经内科副教授木村Noriyuki Kimura
(1) β淀粉样蛋白:一种被认为是导致阿尔茨海默病的蛋白质，在发病前在大脑中积累约20年，形成老年斑(2)阿尔茨海默病:痴呆症的最常见原因，其病理特征包括老年斑、神经原纤维缠结和神经元细胞死亡(3)淀粉样蛋白PET:一种能显示大脑中Aβ积累的脑成像测试(4)脑脊液测试:一项分析脑脊液中Aβ42、磷酸化tau蛋白和总tau蛋白作为阿尔茨海默病生物标志物的测试
电话:+81-(0)97-586-5814，传真:+81-(0)97-586-6502 Emailnaika3@oita-u.ac.jp
JCN新闻专线版权所有版权所有。www.jcnnewswire.com
分享本文
