Ein machine Learning-Ansatz zur Entwicklung eines effizienten selektiven Screenings leichter kognitiver Beeinträchtigungen

Die Bevölkerungsalterung erhöht die Prävalenz chronischer und degenerativer Erkrankungen, insbesondere degenerativer Demenzerkrankungen, von denen bis 2050 weltweit mehr als 131 Millionen Menschen betroffen sein dürften 1050¹. Unter allen degenerativen Demenzerkrankungen ist die Alzheimer-Krankheit (AD) am häufigsten mit einer Gesamtprävalenz in Europa von 6,88%². Aufgrund der ständig abnehmenden Unabhängigkeit von AD-Patienten sollte diese Gruppe Unterstützung erhalten, sobald AD beginnt, sich zu manifestieren. Daher ist die Früherkennung von prodromalen Anzeichen von AD, wie leichte kognitive Beeinträchtigung (MCI), wichtig.

MCI ist definiert als ein mittleres kognitives Abnahmestadium, das dem normalen Altern und einer schweren Verschlechterung durch Demenz entspricht³. Nach Schätzungen von Petersen et al.⁴beträgt die Prävalenz von MCI 8,4 % bei den 65- bis 69-Jährigen und bei den über 80-Jährigen 25,2 %. MCI führt dazu, dass Personen mehr Schwierigkeiten haben als erwartet bei der Ausführung von kognitiven Fähigkeiten auf niedrigem Niveau, insbesondere solche, die mit Gedächtnis und Sprache zusammenhängen, aber nicht mit den Aktivitäten des täglichen Lebens stören.

Screening ist nicht gleichbedeutend mit Diagnose; die Diagnose von MCI wird immer eine klinische Aufgabe sein, während Screening-Methoden uns nur darüber informieren können, dass ein Patient eine höhere Wahrscheinlichkeit hat, an dieser Pathologie zu leiden, und dass es einen begründeten Verdacht auf MCI gibt, der klinisch bestätigt werden sollte. Daher könnten medizinische Sicherheitskräfte (Ärzte, Apotheker, Krankenschwestern usw.) von der Verfügbarkeit einfacher Screening-Methoden (kurze kognitive Tests) profitieren, die in wenigen Minuten angewendet werden können. Im Idealfall würden diese Patienten mit hoher Wahrscheinlichkeit, an einem MCI zu leiden, objektiv identifizieren, so dass sie dann von Allgemein- oder Fachärzten klinisch getestet werden können.

Da die Früherkennung von MCI zu einer wesentlichen Aufgabe im Kontext der öffentlichen Gesundheit wird, zielte diese Arbeit darauf ab, herauszufinden, welche Merkmale bei der gezielten Identifizierung von MCI bei Screening-Tests älterer Bevölkerungsgruppen nützlich sind. Diese Gruppen würden dann gründlicher auf MCI in Tests getestet, die von primären Gesundheitsdienstleistern durchgeführt werden. Diese Methode stellt eine Entscheidungsstruktur mit den geeigneten Algorithmen zum Identifizieren der Zielgruppen bereit, auf die abzielen soll.

Unter diesen Merkmalen ist das Alter einer der konsequentesten Faktoren, die mit der Entwicklung dieser Pathologie verbunden sind. Andere relevante Merkmale beziehen sich auf demographische n. Chr. oder Lebensstil⁵. Unter den letzteren, einige Studien haben die Dauer des Tages- oder Nachtschlafs als Risikofaktor identifiziert, der zur Diagnose von MCI^5,6,7,8,9führen kann. Der längere Konsum von Medikamenten wie Benzodiazezepine, die von schätzungsweise 20%-25% der älteren Erwachsenen^10,11, konsumiert werden, kann auch die Schlafstunden und die Entwicklung von MCI^12,13beeinflussen. In der Tat, längere Behandlungen für chronische Krankheiten können wichtige Merkmale nützlich bei der Vorauswahl von Personen mit einem hohen Risiko, an MCI leiden.

Hier entwickelten wir datenbasierte Modelle, die automatische Lernalgorithmen, einen Entscheidungsbaum und ein Vorhersageinstrument verwenden, um die Effizienz der Methodik zur Erkennung von MCI zu erhöhen, indem sie diskriminieren, welche Merkmale eine wichtige Rolle in der Frühzeit spielen. Erkennung von MCI. Der hier vorgestellte Entscheidungsbaum wurde mit einer speziellen Kohorte spanischer Patienten in Gemeinschaftsapotheken erstellt. Diese Methode wäre jedoch auch bei anderen Populationen mit unterschiedlichen Merkmalen nützlich.

Diese Arbeit wurde in Zusammenarbeit mit der medizinischen Grundversorgung und spezialisierten Ärzten abgeschlossen. Gemeinschaftsapotheken waren ideal, um diesen Algorithmus zu testen, da sie patientennah sind, lange Öffnungszeiten haben und häufig besucht und konsultiert werden. Degenerative Demenz erkrankungen, die von den primären Gesundheitsdienstleistern nicht immer gut verstanden werden¹⁴. Daher wird die Beteiligung an diesem Prozess das Bewusstsein für Menschen mit MCI und Demenz schärfen.