有效延緩癡呆癥：延世大學發現梯度提升機模型能準確預測 BPSD 亞綜合征

By 超神經

(資料圖)

內容一覽：隨著人口老齡化程度不斷加劇，癡呆癥已經成為公共健康問題。目前醫學界治療該病還只能通過藥物緩解，尚未發現治愈的有效方法，因此，預防癡呆癥尤為緊迫。在這一背景下，延世大學的研究人員開發了多個預測 BPSD 的機器學習模型，并對這些模型進行了驗證。實驗結果表明，機器學習能夠有效預測 BPSD 亞綜合癥。

關鍵詞：癡呆癥 ? BPSD ? 梯度提升機

作者 | daserney

編輯 | 緩緩、三羊

目前，全球超 5.5 億人患有癡呆癥 (阿爾茨海默病為最常見類型)，每年新發病例接近 1000 萬，隨著人口老齡化程度不斷加劇，預計到 2050 年，這一數字將增加兩倍。癡呆癥是一種腦部疾病，會導致患者記憶力、思維和推理能力緩慢下降。該疾病主要影響老年人，是導致老年人失去自理能力的主要原因之一，在全球最主要的死亡原因（按死亡總人數排列）中位于第七位，前三位分別是缺血性心臟病、中風及慢性阻塞性肺病。

通常，癡呆癥患者除了認知障礙外，還表現出一系列行為和心理癥狀 (BPSD)，如躁動、攻擊、冷漠和抑郁等。這些癥狀是癡呆癥護理中最為復雜、最具有挑戰性的問題，它們不僅導致病人無法獨立生活，同時也給照護人員帶來相當大的負擔。

近期，韓國延世大學 (Yonsei University) 的研究人員 Eunhee Cho 等人開發了多個用于預測 BPSD 的機器學習模型，并對它們進行了驗證。目前該研究已發布在《Scientifc Reports》期刊，標題為「Machine learning?based predictive models for the occurrence of behavioral and psychological symptoms of dementia: model development and validation」。??

數據集

本研究分三次進行數據收集，共使用了 187 名癡呆癥患者信息進行模型訓練，另外 35 名患者信息用于外部驗證。其中第二次數據收集是對第一次數據收集參與者進行的重復測量，第三次數據收集則招募了新的參與者進行測量。研究中，第一次和第二次收集的數據用作訓練集，第三次收集的數據集用于測試集。

為了對參與者進行全面的特征信息收集，研究人員首先調查了他們的健康數據（年齡、性別、婚姻狀況等）和發病前的性格類型（韓國五大人格量表 BFI-K），其次使用身體活動記錄儀監測夜間睡眠和活動水平，最后又采用了一種癥狀日記 (symptom diary) 來記錄照料者感知到的癥狀的觸發因素 (饑餓/口渴、排尿/排便、疼痛、失眠、噪音等) 以及患者每天發生的 12 種 BPSD。此外，這些癥狀也被劃分為 7 個亞綜合癥，下圖直觀展示了身體活動記錄儀和癥狀日記數據的記錄情況。

表 1：身體活動記錄儀和癥狀日記的統計情況

SD：標準差

TST：總睡眠時間

WASO：入睡后醒來時間

NoA：醒來次數

MAL：清醒時間

METs：代謝當量

MVPA：中度至劇烈的身體活動

BPSD：癡呆癥行為和心理癥狀

其他原因：其他看護者感知的 BPSD 觸發因素（治療、噩夢等）

不過，由于參與者不服從或裝置佩戴不當等原因，導致活動記錄儀數據缺失，據統計，數據缺少者占總參與人數的 36%，平均每人缺失 0.9 天數據。因此，研究人員采用鏈式方程的多重插補方法 (multivariate imputation was applied using chained equations) 來處理這部分缺失數據。

實驗過程

研究人員訓練了 4 個模型，以確定預測每個亞綜合癥的最佳模型。基于研究結果，研究人員可以將這些模型應用于臨床監測和預測 BPSD 亞綜合癥。同時針對潛在的 BPSD 影響因素進行干預，實現以患者為中心的癡呆癥護理服務。此外，機器學習算法還可以嵌入智能手機應用程序中，以進一步提高其價值。

模型性能?

研究人員采用了 4 個機器學習算法，包括邏輯回歸 (logistic regression)、隨機森林 (random forest)、梯度提升機 (gradient boosting machine) 和支持向量機 (support vector machine) ，通過各自特有的學習算法評估模型性能，挑選出預測 BPSD 亞綜合征最好的模型。這里，邏輯回歸模型最為常見和成熟，因此作為基準模型用于判斷機器學習的性能提升程度。

基于訓練集，通過五重交叉驗證，不同模型預測 BPSD 亞綜合征的性能如下圖：

表 2：基于訓練集，不同模型預測 BPSD 亞綜合癥性能

AUC：ROC 曲線下的面積

LR：邏輯回歸模型

RF：隨機森林模型

GBM：梯度提升機模型

SVM：支持向量機模型

ROC 曲線：ROC (Receiver Operating Characteristic Curve) 曲線是一種描繪分類器性能的圖形工具。

AUC 值：AUC (Area Under the Curve) 值表示 ROC 曲線下的面積，用于衡量分類器性能。AUC 值越接近 1，表示分類器性能越好。

表 2 顯示，梯度提升機模型在預測多動癥 (0.706)、情感癥狀 (0.747) 和進食障礙 (0.816) 方面 AUC 值較高；支持向量機模型在預測精神癥狀方面 AUC 值 (0.706) 最高；隨機森林模型在睡眠和夜間行為方面 AUC 值 (0.942) 最高；邏輯回歸模型在異常活動行為 (0.822) 和病理性欣快癥 (Euphoria/elation, 0.696) 方面 AUC 值最高。

模型驗證?

研究人員使用了外部驗證方法，在第三次收集的數據集上對模型進行驗證。基于測試集，不同模型預測 BPSD 亞綜合癥的性能如下圖：

表3：基于測試數據集，不同模型預測 BPSD 亞綜合癥性能

AUC：ROC 曲線下的面積

LR：邏輯回歸模型

RF：隨機森林模型

GBM：梯度提升機模型

SVM：支持向量機模型

表 3 顯示，對比邏輯回歸模型，機器學習模型的表現都要更好。具體來看，對大多數亞綜合癥來說，隨機森林和梯度提升機模型性能表現都優于邏輯回歸和支持向量機模型；隨機森林模型在預測多動癥 (0.835)、病理性欣快癥 (0.968) 和進食障礙 (0.888) 方面比其他預測模型的 AUC 值要高；梯度提升機模型在預測精神癥狀 (0.801) 方面比其他預測模型的 AUC 值要高；支持向量機模型在睡眠和夜間行為 (0.929) 方面 AUC 值最高。

綜合兩圖表信息，研究人員發現在預測 7 個亞綜合征方面，梯度提升機模型平均 AUC 值最高，即表現最佳。與此同時，研究人員也提醒，在測試數據集的樣本量較小情況下，需要謹慎推斷預測性能的結果，并建議未來應進行更大樣本量的重復實驗以獲得更準確的預測結果。

國內成果：提前十年預測癡呆癥發病

在癡呆癥預測方面，除了國外，國內也取得了令人矚目的成果。去年九月，復旦大學附屬華山醫院神經內科主任醫師郁金泰臨床研究團隊，聯合復旦大學類腦智能科學與技術研究院馮建峰教授、程煒青年研究員算法團隊開發了 UKB-DRP 癡呆預測模型。

該模型可以預測個體未來五年、十年甚至更長時間內是否會發病，篩查出處于癡呆癥病程早期的群體，包括全因癡呆及其主要亞型 (如阿爾茨海默病)。該研究成果已發表在《柳葉刀》子刊《電子臨床醫學》上。

論文地址：

https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(22)00395-9/fulltext

這一研究成果也顯示出了國內在癡呆癥預測領域的創新實力和科研水平。未來，隨著更多機構和研究團隊的加入，以及更全面、多樣化數據的積累，我們有望看到更多國內外的合作與進展。借助人工智能和大數據分析的力量，為預防、治療和管理癡呆癥做出更大的貢獻，為患者和家庭帶來更多希望和福祉。

—— 完 ——

標簽：