Yksilöllinen lääketiede prekliinisen kognitiivisen vajaatoiminnan tunnistamisessa. Ennustavan riskimallin kehittäminen (DENDRITE)

"Alzheimerin ja muiden dementioiden kattava suunnitelma" osoittaa, että väestöpohjaisissa tutkimuksissa yli 50 % tapauksista kognitiivisista heikkenemistä (CI) jää havaitsematta. Luku on erityisen silmiinpistävä lievissä dementioissa, joista jopa 90 % on diagnosoimattomia. Tavoitteena on hyödyntää potilaiden kliinisen, molekyyli-, proteomi-, genomi-, hoito-, sosiaali-, ympäristö- ja käyttäytymisdatan integroinnin yhdistettyä voimaa käyttämällä kehittyneitä tekoälytekniikoita tietojen käsittelyyn ja analysointiin, jotta voidaan luoda ennakoivia malleja CI:n prekliininen havaitseminen 55–70-vuotiailla.

Monikeskus, ei-interventio, konvergentti sekamenetelmien havaintotutkimus, jossa on prospektiivinen havainnointisuunnitteluosa ja laadullinen suunnitteluosa. Näyte rekrytoitiin satunnaisesti julkisen terveydenhuollon käyttäjien joukosta osallistuvilla maantieteellisillä alueilla. Tietoja kerätään kuudelta alueelta (Andalusia, Castilla-Mancha, Katalonia, Valencia, Madrid ja Baskimaa) ja niiden maaseudun ja kaupunkien perusterveydenhuollon verkoissa.

55–70-vuotiaat laitoksessa työskentelemättömät koehenkilöt, jotka on määrätty PC-keskuksiin tutkimukseen sisältyneillä alueilla ja joilla on "elävä historia" (tallennettu viimeisten 12 kuukauden aikana) ja joilla ei ole vahvistettua CI-diagnoosia.

Perusjoukon ominaisuuksien kuvaileva analyysi suoritetaan käyttämällä frekvenssejä ja prosenttiosuuksia tai keskeisten trendien ja hajonnan mittareita niiden 95 %:n luottamusvälillä. Sosiodemografisia ja kliinisiä perusominaisuuksia verrataan näytteen homogeenisuuden tutkimiseksi. Kvalitatiivisten muuttujien vertailussa käytetään Chi-neliö-testiä tai Fisherin eksaktia testiä ja kvantitatiivisten muuttujien vertailussa t-testiä tai Wilcoxon-testiä. Logistisia regressiomalleja ehdotetaan analysoimaan lievään kognitiiviseen heikentymiseen liittyviä terveysvaikutuksia. Kaikki mallit sisältävät toistuvia mittauksia jokaiselle yksilölle. Kaikki mallit mukautuvat eri riskitekijöihin, ja niiden tekijöiden osalta, jotka voivat muuttua ajan myötä, tutkitaan ajan ja kyseisen tekijän välistä vuorovaikutusta.

Aluksi kognitiivisen heikkenemisen riskin ennustavaan malliin käytetään monimuuttujaisia ​​lineaarisia piileviä malleja. Tietojen integrointi useista tietolähteistä tehdään käyttämällä monimuuttujaisia ​​todennäköisyysmalleja, jotta löydettäisiin esitys potilaasta ominaisuusavaruudessa, johon kaikki tietolähteet (käynnit) vaikuttavat.

Verkkotyökalut, kuten Ingenuity Pathway Analysis, mahdollistavat datan integroinnin eri molekyylitasoilla (geneettinen, proteiini ja autovasta-aine), kun taas tekoälytyökalut mahdollistavat tällaisten tietojen, sähkökemiallisista antureista johdetun tiedon sekä kliiniseen ja käyttäytymiseen liittyvän datan integroinnin. kognitiivisten heikentymien kanssa, jotta saataisiin ennustava malli kognitiivisista heikentymistä, hermoston rappeutumisesta ja AD:sta.