En studie publicerad i den medicinska tidskriften The Lancet bedömde användningen av maskininlärning och kliniskt insamlade data (såsom kognitiva och beteendemässiga screeningpoäng) för att klassificera och diskriminera FTD och Alzheimers sjukdom (AD) i underrepresenterade grupper.

Att diagnostisera FTD och andra demenssjukdomar är komplicerat, och FTD tar i genomsnitt 3,6 år att diagnostisera. Som studien framhåller möter de som söker en diagnos i latinamerikanska länder ytterligare hinder, såsom bristen på standardiserade diagnostiska metoder över länder och mångfalden av de olika instrument som används för att utvärdera kognitiv status. Dessutom är tekniker och metoder som är effektiva vid diagnostik, såsom amyloid/tau PET-avbildning eller vätskebaserade verktyg för bedömning av biomarkörer, mindre tillgängliga för utövare i Latinamerika.

Dessa hinder för diagnos försvårar också forskningen. Skillnader i den sociokulturella och genetiska sammansättningen av länder och varierande nivåer av klinisk expertis inom FTD och AD gör det utmanande att samla in data som kan generaliseras och jämföras med andra länder.

För att ta itu med de hinder som utövare i Latinamerika möter presenterar författarna av studien ett beräkningsramverk för att klassificera FTD och AD som effektivt kan använda olika prover. Ramverket kombinerar traditionell statistisk analys med nyare maskininlärningsmodeller. Med hjälp av detta ramverk identifierade författarna de mest generaliserbara egenskaperna hos FTD och AD som kan användas för att skilja mellan sjukdomarna och mellan människor som lever och inte lever med en form av demens.

Forskarna rekryterade 1 792 deltagare från 11 centra som är medlemmar i Multi-Partner Consortium för att utöka demensforskningen i Latinamerika (tre i både Argentina och Colombia, två i både Chile och Mexiko, och en i Peru). Alla deltagare diagnostiserades med FTD eller AD enligt standardprocedurerna vid varje anläggning.

Författarna fann att Random Forest (RF), en maskininlärningsmodell som fungerar bra med komplexa data, var den mest effektiva för att klassificera FTD och AD. Trots den demografiska mångfalden hos deltagarna och proverna de tillhandahöll, var RF fortfarande mycket effektiv vid klassificering av FTD och AD, där författarna noterade ett effektivitetsvärde på 93%.

Med hjälp av RF-modellen fann författarna att data från kognitiva screeningar, sociala kognitionstester, verkställande funktionsåtgärder och neuropsykiatriska undersökningar visade den största förmågan att klassificera FTD och AD. Specifikt för FTD var neuropsykiatriska och sociala kognitionsåtgärder de mest användbara för att klassificera sjukdomen.

Maskininlärning är ett alltmer lovande verktyg för att diagnostisera och undersöka FTD. Klicka här att läsa om en tysk studie som också utvärderade effektiviteten av maskininlärning inom FTD-forskning.