Vorhersage der Alzheimer-Krankheit in unausgewogenen Datensätzen mit Fokus auf kardiovaskulären Risikoskalen unter Verwendung von Maschinenlernmodellen

Abstract Zweck Angesichts der alternden Bevölkerung steigt die Prävalenz der Alzheimer-Krankheit (AD). Da es derzeit kein Heilmittel für AD gibt, ist es entscheidend, die Schlüsselfaktoren zu identifizieren, die zu ihrem Fortschreiten beitragen. Es wird angenommen, dass kardiovaskuläres Risiko eine bedeutende Rolle beim Fortschreiten der AD spielt, was möglicherweise zu neurodegenerativen Veränderungen im Gehirn führt. Daher zielt dieses Projekt darauf ab, die Wirksamkeit von Maschinenlernmodellen (ML) zu demonstrieren, um nicht-invasive und kosteneffektive Screening-Tools unter Einbeziehung verschiedener kardiovaskulärer Risikoscores zu entwickeln. Methoden Wir haben Daten aus den elektronischen Gesundheitsakten (EHR) eines Referenzkrankenhauses in Spanien gesammelt. Dieser Prozess ergab einen stark unausgewogenen Datensatz mit 177 diagnostizierten Probanden und 48 Kontrollen im Alter von 50 bis 75 Jahren. Um dieses häufige Problem anzugehen, setzten wir eine Reihe von ML-Modellen sowie Balancierungstechniken und Metriken ein, um ein so typisches Problem zu überwinden, was zur Entwicklung hochgenauer Modelle führte. Ergebnisse Mehrere Bagging-, Boosting-, lineare und gestapelte Modelle führten zu besseren F1-Scores, und kardiovaskuläre Risikoskalen wie SCORE2 waren entscheidend für solche Vorhersagealgorithmen. Glukosewerte schienen bei der Vorhersage von AD wichtig zu sein, und Medikamente wie Anticholinergika, Antidepressiva oder ACE-Hemmer waren positiv mit der Vorhersage von AD assoziiert. Im Gegensatz dazu hatten nichtsteroidale Antiphlogistika und Angiotensinrezeptorblocker den gegenteiligen Effekt. Schlussfolgerung Unsere Forschung zeigt das Potenzial von Maschinenlerntechniken zur Verbesserung des Screenings von AD-Patienten, bevor sie invasiven und kostspieligen Diagnosetests unterzogen werden, was eine personalisierte Rationalisierung der Gesundheitskosten ermöglicht und die Patientenversorgung verbessert.