Machine Learning, Bantu Prediksi Penyakit Alzheimer Sejak Dini

Majalah Farmasetika – Sebuah model machine learning menunjukkan potensi untuk meningkatkan deteksi dini dan manajemen penyakit Alzheimer (AD), tetapi tidak memenuhi metrik keadilan menurut ras dan etnis, menurut hasil studi yang diterbitkan dalam JAMA Network Open.

Para peneliti dalam studi ini bertujuan untuk menentukan potensi model prediktif dalam deteksi dini dan manajemen penyakit serta keadilan alat-alat tersebut di antara kelompok ras dan etnis untuk perkembangan AD. Peneliti menyertakan data yang tersedia dari Alzheimer Disease Neuroimaging Initiative, yang mencakup pasien berusia 54 hingga 91 tahun di 57 situs di Amerika Serikat dan Kanada. Semua individu melakukan setidaknya 2 kunjungan antara September 2005 dan Mei 2017, di mana status klinis diklasifikasikan sebagai kognitif normal, gangguan kognitif ringan (MCI), atau AD, sesuai dengan penulis studi.

Sebanyak 1730 individu termasuk dalam studi ini, dengan 44,9% wanita, 4% Hispanik, 1,7% Asia, 4,5% Hitam, 92,4% Putih, dan 1,4% diidentifikasi sebagai ras lain. Usia rata-rata adalah 73,81 tahun. Sekitar 86,2% kognitif normal, 13,8% trajektori kognitif normal-MCI, 62,4% trajektori MCI-stabil, dan 38,6% trajektori MCI-AD, menurut studi ini.

3 Temuan Utama Sebuah studi mengeksplorasi potensi model machine learning, termasuk regresi logistik, mesin vektor dukungan, dan jaringan saraf berulang, dalam memprediksi perkembangan AD. Studi menilai keadilan model machine learning untuk mengevaluasi kinerja model melintasi jenis kelamin, etnis, dan ras, mengungkap wawasan tentang disparitas potensial dalam prediksi AD. Temuan menyoroti disparitas dalam tingkat positif sejati melintasi berbagai trajektori perkembangan AD, menekankan bagaimana kurangnya representasi, terutama dalam ukuran sampel yang lebih kecil untuk kelompok etnis tertentu, dapat berkontribusi pada ketidakadilan dalam memprediksi perkembangan AD.

Untuk evaluasi keadilan, peneliti menggunakan data tentang jenis kelamin, etnis, dan ras, yang semuanya dilaporkan oleh pasien. Untuk mengukur keadilan, penulis studi mengatakan bahwa metrik peluang setara, peluang setara, dan kesetaraan demografis digunakan. Tiga model machine learning digunakan, termasuk regresi logistik (LR), mesin vektor dukungan (SVM), dan jaringan saraf berulang (RNN), menurut penulis studi. LR dan SVM adalah model yang sudah mapan digunakan dalam prediksi, yang membuat mereka penting digunakan sebagai pembanding untuk model machine learning yang baru. RNN telah menunjukkan potensi dalam mengidentifikasi perkembangan AD, menurut penulis studi.

Hasilnya menunjukkan bahwa tingkat positif sejati antara kognitif normal-stabil dan MCI-stabil mendekati 1, tanpa perbedaan besar antara pria dan wanita. Selanjutnya, dalam model-model tersebut, perbedaan trajektori kognitif normal-stabil antara pria dan wanita adalah 0,5% dalam LR, 0,5% untuk SVM, dan 0,6% untuk RNN. Untuk klinis normal menjadi MCI, penulis studi melaporkan perbedaan yang mencolok antara pria dan wanita, dengan semua model cenderung berperforma lebih baik untuk wanita. Untuk MCI menjadi AD, terdapat perbedaan kecil yang diamati.

Selain itu, peneliti menemukan bahwa melintasi semua model dan trajektori, tingkat positif sejati lebih tinggi untuk individu non-Hispanik dan individu Hispanik, dengan 1,4% untuk LR, 2,2% untuk SVM, dan 2,1% untuk RNN. Perbedaan dalam tingkat positif sejati lebih besar untuk trajektori kognitif normal menjadi MCI dan trajektori MCI menjadi AD. Selain itu, trajektori kognitif normal-stabil untuk tingkat positif sejati lebih tinggi untuk individu Putih dan lebih rendah untuk semua kelompok lain di ketiga model tersebut. Trajektori MCI-stabil mirip dengan hasil sebelumnya.

Lebih lanjut, untuk trajektori kognitif normal menjadi MCI, orang-orang Asia memiliki tingkat positif sejati yang lebih tinggi dibanding kelompok lain untuk model SVM. Penulis studi juga mengatakan bahwa individu Hitam “di kelompok MCI pada awalnya cenderung diprediksi secara salah untuk bertransisi ke AD.”

Hasilnya menyoroti bagaimana kurangnya representasi dapat memengaruhi ketidakadilan. Untuk pasien Hispanik, tingkat positif sejati tinggi karena ukuran sampel yang kecil, menurut penulis studi. Selanjutnya, mereka mengatakan hal ini berlaku untuk kelompok Asia, Hitam, dan ras lainnya, terutama untuk trajektori kognitif normal menjadi MCI dan MCI menjadi AD.