Multi-feature computational framework for combined signatures of dementia in underrepresented settings

Objetivo. El diagnóstico diferencial de la variante conductual de la demencia frontotemporal (bvFTD) y La enfermedad de Alzheimer (EA) sigue siendo un desafío en grupos subrepresentados y subdiagnosticados, incluidos los latinos, ya que los biomarcadores avanzados rara vez están disponibles. Directrices recientes para el estudio de demencia destacan el papel fundamental de los biomarcadores. Por lo tanto, nuevos complementarios rentables Se requieren enfoques en entornos clínicos. Acercarse. Desarrollamos un marco novedoso basado en un clasificador de aprendizaje automático que aumenta el gradiente, ajustado por la optimización bayesiana, en una función múltiple enfoque multimodal (que combina imágenes demográficas, neuropsicológicas y de resonancia magnética) (IRM) y electroencefalografía/datos de conectividad de IRM funcional) para caracterizar neurodegeneración utilizando la armonización del sitio y la selección de características secuenciales. Evaluamos 54 DFTvc y 76 pacientes con EA y 152 controles sanos (HC) de un consorcio latinoamericano (ReDLat). Resultados principales. El modelo multimodal arrojó una alta clasificación de área bajo la curva (pacientes con DFTvc frente a HC: 0,93 (±0,01); pacientes con EA frente a HC: 0,95 (±0,01); DFTvv frente a EA pacientes: 0,92 (±0,01)). El enfoque de selección de características filtró con éxito información no informativa marcadores multimodales (de miles a decenas). Resultados. Probado robusto contra multimodal heterogeneidad, variabilidad sociodemográfica y datos faltantes. Significado. El modelo con precisión subtipos de demencia identificados utilizando medidas fácilmente disponibles en entornos subrepresentados, con un rendimiento similar al de los biomarcadores avanzados. Este enfoque, si se confirma y replica, puede complementar potencialmente las evaluaciones clínicas en los países en desarrollo.

• Autores: Moguilner, Sebastian; Birba, Agustina; Fittipaldi, Sol; Gonzalez-Campo, Cecilia; Tagliazucchi, Enzo; Reyes, Pablo; Matallana, Diana; Parra, Mario A; Slachevsky, Andrea; Farías, Gonzalo; Matallana, Diana
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2022
• Institución: Pontificia Universidad Javeriana
• Repositorio: Repositorio Universidad Javeriana
• Idioma: eng
• OAI Identifier: oai:repository.javeriana.edu.co:10554/63856
• Acceso en línea: https://iopscience.iop.org/journal/1741-2552; http://hdl.handle.net/10554/63856; https://doi.org/10.1088/1741-2552/ac87d0
• Palabra clave: neuroimagen multimodal; neurodegeneración; armonización; selección de características; aprendizaje automático; Multimodal neuroimaging; neurodegeneration; harmonization; feature selection; machine learning
• License: Atribución-NoComercial 4.0 Internacional