Modellierung des Krankheitsverlaufs mit Hilfe von versteckten Markov-Modellen

Die Entwicklung neuartiger Behandlungen für viele langsam fortschreitende Erkrankungen, wie z. B. Alzheimerkrankheit (AD), hängt von der Fähigkeit ab, Änderungen im Krankheitsverlauf zu überwachen und zu erkennen. Bei einigen Krankheiten schreiten die unterschiedlichen klinischen Phasen der Erkrankung viel zu langsam voran, um eine schnelle Bewertung der Wirksamkeit einer vorgeschlagenen Behandlung zu ermöglichen. Um die Beurteilung des Krankheitsverlaufs zu verbessern, schlagen wir vor, versteckte Markov-Modelle (HMMs) zu verwenden, um den Krankheitsverlauf detaillierter zu modellieren als die klinischen Phasen der Erkrankung. Im Gegensatz zu vielen anderen Anwendungen von versteckten Markov-Modellen trainieren wir unser HMM auf nicht überwachte Weise und bewerten dann, wie effektiv das Modell ist, um zugrunde liegende statistische Muster im Krankheitsverlauf zu erkennen, indem wir HMM-Zustände als Krankheitsphasen betrachten. In dieser Studie konzentrieren wir uns auf AD und zeigen, dass unser Modell, wenn es anhand der Kreuzvalidierungsdaten bewertet wird, differenziertere Krankheitsphasen identifizieren kann als die derzeit akzeptierten drei klinischen Phasen "Normal", "MCI" (Milde kognitive Beeinträchtigung) und "AD".