[ad_1]
Los investigadores están desarrollando un método de aprendizaje automático que encuentra patrones de deterioro de la salud en la ELA y proporciona información para futuros diseños de ensayos clínicos y descubrimiento de mecanismos.
El Alzheimer, un tipo de enfermedad neurodegenerativa, es una enfermedad crónica que puede presentarse con una amplia variedad de síntomas, empeora a diferentes ritmos y tiene muchas causas genéticas y ambientales subyacentes, algunas de las cuales se desconocen. La ELA o enfermedad de Lou Gehrig y el Parkinson son algunas enfermedades degenerativas similares.
Un nuevo método de aprendizaje automático desarrollado por investigadores del MIT, IBM Research y otros lugares tiene como objetivo caracterizar mejor los patrones de progresión de la enfermedad de ELA para informar el diseño de ensayos clínicos. De hecho, su técnica identificó patrones clínicos discretos y sólidos en la progresión de la ELA, muchos de los cuales no son lineales. Además, estos subtipos de progresión de la enfermedad fueron consistentes en todas las poblaciones de pacientes y métricas de la enfermedad. El equipo también descubrió que su método también se puede usar para la enfermedad de Alzheimer y Parkinson.
Diseñaron un modelo de aprendizaje automático no supervisado que utilizaba dos métodos: regresión de procesos gaussianos y agrupación de procesos de Dirichlet. Estos derivaron las trayectorias de salud directamente de los datos del paciente y agruparon automáticamente trayectorias similares sin especificar el número de grupos o la forma de las curvas, formando «subtipos» de progresión de ALS.
Aplicaron principalmente el modelo a cinco conjuntos de datos longitudinales de ensayos clínicos y estudios observacionales de ALS. Surgieron cuatro patrones de enfermedad dominantes de las múltiples trayectorias: progresión rápida sigmoidal, progresión lenta estable, progresión lenta inestable y progresión moderada inestable, muchos de ellos con fuertes características no lineales. En particular, capturó trayectorias en las que los pacientes experimentaron una pérdida repentina de la capacidad, conocida como acantilado funcional, que tendría un impacto significativo en los tratamientos, la inscripción en ensayos clínicos y la calidad de vida.
El nuevo trabajo superó otros enfoques lineales y no lineales de uso común en el campo. Sorprendentemente, el modelo pudo interpolar los valores faltantes cuando se retuvieron los datos y, lo que es más importante, predecir futuras acciones de salud. El modelo también podría entrenarse en un conjunto de datos ALSFRS-R y predecir la pertenencia a un clúster en otros, haciéndolo robusto, generalizable y preciso con datos escasos.
[ad_2]