Исследователи из Медицинской школы Икана на Маунт-Синай (Icahn School of Medicine at Mount Sinai ) использовали возможности машинного обучения для определения ключевых предикторов смертности у пациентов с деменцией.
Исследование, опубликованное в научном журнале Communications Medicine, решает критические проблемы в лечении деменции, выявляя пациентов с высоким риском смерти и выявляя факторы, которые способствуют этому риску.
В отличие от предыдущих научных работ, которые были сосредоточены на диагностике, это исследование углубляется в прогнозирование пациентов, проливая свет на риски смертности и факторы, способствующие различным видам деменции.
Деменция стала основной причиной смерти в обществах со все более стареющим населением. Однако предсказать точное время смерти в случаях деменции сложно из-за вариабельного прогрессирования снижения когнитивных функций, влияющего на нормальные функции организма.
«Наши результаты важны, поскольку иллюстрируют потенциал моделей машинного обучения для точного прогнозирования риска смертности у пациентов с деменцией в различных временных рамках», — комментирует Куан-лин Хуанг (Kuan-lin Huang), сотрудник кафедры генетики и геномных наук.
«Выявляя краткий набор клинических характеристик, включая результаты нейропсихологических и других доступных тестов, наши модели позволяют врачам принимать более обоснованные решения об уходе за пациентами, что потенциально приводит к более адаптированным и своевременным вмешательствам».
Используя данные Национального координационного центра США по борьбе с болезнью Альцгеймера, включающие 45 275 участников и 163 782 записи о посещениях, в исследовании были созданы модели машинного обучения, основанные на клинических и нейрокогнитивных особенностях. Эти модели предсказывали смертность через один, три, пять и 10 лет. В ходе исследования были разработаны конкретные модели для восьми типов деменции посредством стратифицированного анализа.
Исследование также показало, что результаты нейропсихологических тестов были лучшим предиктором риска смертности у пациентов с деменцией, чем возрастные факторы, такие как рак и болезни сердца, что подчеркивает значительную роль деменции в смертности среди людей с нейродегенеративными заболеваниями.
«Значения нашего исследования выходят за рамки клинической практики, поскольку подчеркивает ценность машинного обучения в раскрытии сложных заболеваний, таких как деменция. Это исследование закладывает основу для будущих исследований в области прогнозного моделирования в лечении деменции», — заключает доктор Хуанг.
«Однако, хотя машинное обучение открывает большие перспективы для улучшения лечения деменции, важно помнить, что эти модели не являются хрустальными шарами для индивидуальных результатов. Многие факторы, как личные, так и медицинские, формируют путь пациента».
Далее исследовательская группа планирует усовершенствовать свои модели, включив в них эффекты лечения и генетические данные, а также анализируя передовые методы глубокого обучения для еще более точных прогнозов.
Учитывая старение населения, деменция становится все более актуальной проблемой общественного здравоохранения, занимая седьмое место среди основных причин смерти и четвертое место среди самых тяжелых заболеваний или травм по количеству потерянных лет жизни.
Литература:
Kuan-lin Huang et al, Machine learning models identify predictive features of patient mortality across dementia types, Communications Medicine (2024). DOI: 10.1038/s43856-024-00437-7. www.nature.com/articles/s43856-024-00437-7
Невролог, мануальный терапевт, рефлексотерапевт АО «СЗЦДМ» (г. Санкт-Петербург), редактор и автор статей
Ведёт пациентов неврологического профиля с полным неврологическим осмотром, разработкой плана обследования и схемы лечения пациента (в остром периоде, на этапе реабилитации), динамическое наблюдение.
