AI dapat memprediksi penyakit Alzheimer hingga

Peneliti UC San Francisco telah mengembangkan model pembelajaran mesin yang mampu memprediksi timbulnya penyakit Alzheimer hingga tujuh tahun sebelum gejala klinis muncul. Dengan menganalisis catatan kesehatan elektronik, tim mengidentifikasi kolesterol tinggi dan osteoporosis, khususnya pada wanita, sebagai prediktor signifikan penyakit Alzheimer.

Penelitian ini dipublikasikan pada 21 Februari 2024 di Penuaan Alammenyoroti potensi kecerdasan buatan (AI) untuk merevolusi diagnosis dini dan pemahaman penyakit kompleks seperti penyakit Alzheimer.

“Ini adalah langkah pertama menuju penerapan AI pada data klinis rutin, tidak hanya untuk mengidentifikasi risiko secepat mungkin, namun juga untuk memahami biologi di baliknya,” kata penulis utama studi Alice Tang, seorang mahasiswa MD/PhD. Lab Yatim Piatu di UCSF. “Kekuatan pendekatan AI ini berasal dari identifikasi risiko berdasarkan kombinasi penyakit.”

Penyakit Alzheimer adalah bentuk demensia yang paling luas, yang terutama menyerang orang-orang yang berusia di atas 65 tahun. Hal ini ditandai dengan hilangnya memori progresif, penurunan kognitif, dan berbagai perubahan neurologis, termasuk akumulasi plak amiloid-beta dan tau kusut di otak. Perubahan patologis ini mengganggu fungsi normal sel saraf, menyebabkan gejala dan akhirnya menyebabkan kecacatan parah yang terkait dengan penyakit ini.

Meskipun penelitian sedang berlangsung, masih belum ada obat untuk penyakit Alzheimer, dan pengobatan saat ini sebagian besar berfokus pada pengelolaan gejala daripada menghentikan atau membalikkan perkembangan penyakit.

Deteksi dini penyakit Alzheimer menawarkan keuntungan utama: kemungkinan intervensi dini yang dapat mengubah arah penyakit secara signifikan atau mengurangi dampaknya. Metode tradisional untuk mendiagnosis penyakit Alzheimer—mulai dari penilaian kognitif hingga analisis biomarker—sering diterapkan hanya setelah gejala muncul, yang mungkin terlambat untuk intervensi terapeutik yang optimal.

Tim peneliti menggunakan database kesehatan elektronik UCSF Medical Center yang luas untuk mengembangkan model prediktif mereka. Dari kumpulan ini, para peneliti mengidentifikasi 749 orang dengan penyakit Alzheimer berdasarkan diagnosis klinis tingkat ahli dan 250.545 kontrol tanpa diagnosis demensia.

Metodologinya mengandalkan penggunaan model Random Forest (RF), sejenis algoritma pembelajaran mesin yang cocok untuk menangani hubungan kompleks dan non-linier yang sering muncul dalam data medis. Model-model tersebut dilatih menggunakan serangkaian titik data klinis komprehensif yang diambil dari catatan kesehatan elektronik, termasuk demografi, status penyakit, paparan obat, dan pengukuran laboratorium abnormal.

Temuannya mengungkapkan bahwa model pembelajaran mesin dapat secara akurat memprediksi timbulnya penyakit Alzheimer dengan tingkat keyakinan yang signifikan (72%), hingga tujuh tahun sebelumnya. Dimasukkannya fitur-fitur terkait demografi dan kunjungan selain data klinis semakin meningkatkan akurasi prediksi model.

Beberapa faktor, termasuk hipertensi, kolesterol tinggi, dan kekurangan vitamin D, telah terbukti menjadi prediktor utama penyakit Alzheimer pada pria dan wanita. Disfungsi ereksi dan pembesaran prostat juga merupakan prediksi bagi pria. Pada wanita, penelitian ini menyoroti osteoporosis sebagai prediktor penting lainnya, yang menunjukkan jalur atau kerentanan terhadap penyakit ini berdasarkan gender.

Namun, tidak semua wanita yang menderita osteoporosis ditakdirkan terkena penyakit Alzheimer. “Kombinasi penyakit inilah yang memungkinkan model kami memprediksi timbulnya penyakit Alzheimer,” kata Tang. “Temuan kami bahwa osteoporosis adalah salah satu faktor prediktif pada wanita menyoroti interaksi biologis antara kesehatan tulang dan risiko demensia.”

Untuk menggali lebih dalam mekanisme biologis yang mendasari kemampuan prediktif model mereka, para peneliti menggunakan database molekuler publik bersama dengan alat canggih yang dikembangkan di UCSF yang dikenal sebagai Scalable Precision Medicine Oriented Knowledge Engine (SPOKE).

Dikembangkan di laboratorium Sergio Baranzini, profesor neurologi dan anggota UCSF Weill Institute for Neurosciences, SPOKE dirancang sebagai “database dari database”. Alat inovatif ini memungkinkan para peneliti menyaring sejumlah besar data untuk mengungkap pola dan mengidentifikasi target molekuler potensial untuk intervensi terapeutik.

SPOKE mengkonfirmasi hubungan antara penyakit Alzheimer dan kolesterol tinggi melalui varian APOE4 dari gen apolipoprotein E. Hubungan ini diakui secara luas dalam komunitas ilmiah. Namun, integrasi SPOKE dengan database genetik telah menghasilkan wawasan baru, mengungkapkan hubungan antara osteoporosis dan penyakit Alzheimer, khususnya pada wanita.

Kaitan ini diidentifikasi melalui varian gen MS4A6A, yang kurang dikenal dalam konteks penelitian Alzheimer. Penemuan asosiasi ini memberikan contoh kekuatan menggabungkan alat komputasi canggih seperti SPOKE dengan data genetik skala besar, membuka jalan bagi penelitian yang ditargetkan pada jalur molekuler yang terlibat dalam penyakit Alzheimer dan berpotensi mengarah pada pengembangan strategi terapi baru.

Temuan ini mewakili kemajuan signifikan dalam perang melawan penyakit Alzheimer. Meskipun hasilnya menjanjikan, penelitian ini memiliki beberapa keterbatasan, termasuk masalah interpretasi data rekam kesehatan elektronik, potensi bias seleksi kohort, dan kebutuhan untuk terus melatih ulang model agar dapat beradaptasi dengan perubahan praktik klinis. Model prediktif penelitian ini perlu divalidasi pada populasi yang lebih luas dan beragam untuk memastikan keakuratan dan kemampuan generalisasinya.

Para peneliti optimis metode mereka bisa diterapkan pada penyakit lain yang sulit didiagnosis, seperti lupus dan endometriosis.

“Ini adalah contoh yang bagus tentang bagaimana kita dapat menggunakan data pasien menggunakan pembelajaran mesin untuk memprediksi pasien mana yang lebih mungkin terkena penyakit Alzheimer dan untuk memahami alasannya,” kata pemimpin penulis studi Marina Sirota, rekan kerjanya. profesor di Institut Ilmu Kesehatan Komputasi Bakar di UCSF.

Penelitian bertajuk “Menggunakan Catatan Kesehatan Elektronik dan Jaringan Pengetahuan untuk Memprediksi Penyakit Alzheimer dan Wawasan Biologis Spesifik Jenis Kelamin,” ditulis oleh Alice S. Tang, Katherine P. Rankin, Gabriel Cerono, Silvia Miramontes, Hunter Mills, Jacquelyn Roger, Billy Zeng . , Charlotte Nelson, Karthik Soman, Sarah Woldemariam, Yaqiao Li, Albert Lee, Riley Bove, Maria Glymour, Nima Aghaeepour, Tomiko T. Oskotsky, Zachary Miller, Isabel E. Allen, Stephan J. Sanders, Sergio Baranzini, dan Marina Sirota.