El aprendizaje automático modela clasificaciones de riesgo predictivo para la enfermedad de Alzheimer

Un nuevo estudio sugiere que una vez que los adultos alcanzan la edad de 65 años, el umbral para la aparición de la enfermedad de Alzheimer, el grado de riesgo genético puede superar a la edad como indicador de si desarrollarán el trastorno cerebral fatal.

El estudio publicado recientemente en la revista Informes científicoses el primero en crear modelos de aprendizaje automático con puntajes de riesgo genético, información no genética y datos de registros de salud electrónicos de casi medio millón de personas para clasificar los factores de riesgo según la fuerza con la que se relacionan con el eventual desarrollo de la enfermedad de Alzheimer.

Los investigadores utilizaron los modelos para clasificar los factores de riesgo predictivos para dos grupos de población. Biobanco del Reino Unido: Individuos blancos que tienen 40 años de edad o más, y un subconjunto de estos adultos que tienen 65 años de edad o más.

Los resultados mostraron que la edad – que constituye Un tercio del riesgo total a los 85 añosSegún la Asociación de Alzheimer, fue el mayor factor de riesgo para la enfermedad de Alzheimer en toda la población, pero para los adultos mayores, el riesgo genético determinado por una puntuación de riesgo poligénico fue más predictivo.

«Todos sabemos que el Alzheimer es una enfermedad de presentación tardía, por lo que sabemos que la edad es un factor de riesgo importante. Pero cuando consideramos el riesgo solo para personas de 65 años o más, la información genética obtenida a través del puntaje de riesgo poligénico se ubica en un orden de magnitud superior». que la edad», dijo el autor principal del estudio Xiaoyi Raymond ZhaoProfesor Asociado en Oftalmología y Ciencias Visuales Residencia en Informática Biomédica en la Facultad de Medicina de la Universidad Estatal de Ohio. «Eso significa que es realmente importante observar la información genética cuando estamos trabajando en la enfermedad de Alzheimer».

Los bajos ingresos familiares también surgieron como un factor de riesgo importante, ocupando el tercer o cuarto lugar después de los efectos de la edad y los genes.

“El hallazgo relacionado con los ingresos es muy interesante”, dijo Gao, quien también es miembro de Ohio. Departamento de Genética Humana facultad, cuyo laboratorio utiliza grandes datos biomédicos e inteligencia artificial para estudiar los genes detrás del Alzheimer y las enfermedades oculares. «Todos queremos vivir vidas saludables, y los ingresos pueden ser un factor importante para determinar qué puede comer, dónde puede vivir, el nivel de educación y el acceso a la atención, todo lo cual contribuye potencialmente a la enfermedad de Alzheimer».

De los 457 936 participantes del Biobanco del Reino Unido en la muestra, 2177 tenían la enfermedad de Alzheimer, 455 759 no la tenían y 88 309 tenían 65 años o más.

Surgieron algunos factores de riesgo no genéticos que diferían entre las personas con la enfermedad de Alzheimer (EA): los resultados mostraron que en las personas con la enfermedad de Alzheimer, la presión arterial sistólica más alta y la diastólica más baja eran más comunes, la diabetes era más frecuente y los ingresos familiares y la educación eran más bajos. Las caídas recientes, la dificultad para oír y los antecedentes maternos de la enfermedad de Alzheimer fueron más altos.

La lista de los 20 principales factores de riesgo para la muestra completa de adultos también incluía diagnósticos de presión arterial alta, infección del tracto urinario, episodios depresivos, desmayos, dolor torácico inespecífico, confusión y pérdida de peso anormal. Otros factores de riesgo en el top 20 para personas mayores de 65 años incluyen colesterol alto y trastornos de la marcha. Estos resultados demostraron el poder de agregar códigos de estado de los registros de salud electrónicos a los formularios.

«El aprendizaje automático puede explorar las relaciones entre todas estas características o variables, seleccionar las características que son importantes y clasificar ciertas características en la parte superior que contribuyen más al riesgo de Alzheimer que el resto de las características», dijo Gao. «Por lo general, no es bueno ser obeso, pero también vemos aquí que un IMC bajo no es bueno. La presión arterial alta no suele ser buena, pero aquí vemos que la presión arterial diastólica baja no es buena. Los modelos revelaron algunos patrones interesantes». .” .

La construcción de los modelos fue un proceso de dos pasos. El equipo primero realizó estudios de asociación de todo el genoma utilizando datos de Consorcio de Genética de la Enfermedad de Alzheimer Identificar variantes genéticas asociadas al riesgo general de enfermedad de Alzheimer y progresión de la enfermedad a partir de una determinada edad. Los grupos separados de variantes se usaron para crear dos puntajes de riesgo poligénico, que agregan efectos genéticos en todo el genoma en una sola medida de riesgo para cada individuo.

Estos hallazgos se aplicaron a los datos de ADN de los participantes del Biobanco del Reino Unido y se combinaron con la información del biobanco sobre factores de riesgo tradicionales como el género, la educación, el IMC, la presión arterial y más de 11 000 códigos de estado de registros de salud electrónicos citados en individuos. registros.

El equipo también utilizó un algoritmo para interpretar el resultado del modelo para garantizar que las variables de los factores de riesgo se ponderaran de manera objetiva en el análisis.

Nacemos con riesgos genéticos ya establecidos para la enfermedad, pero la información sobre cómo otros factores de salud y socioeconómicos influyen en el riesgo de Alzheimer, así como el glaucoma, que Gao también está estudiando, nos da la capacidad de tomar medidas preventivas, dijo.

«Si las personas supieran más sobre los factores de riesgo, podrían ajustar su estilo de vida. No existe una cura tanto para el Alzheimer como para el glaucoma, por lo que la prevención puede ayudar mucho”, dijo Gao. «También espero que la construcción de modelos para hacer estas predicciones ayude en desarrollo de medicamentos y programas de tamizaje efectivos y de bajo costo”.

Este trabajo ha sido apoyado previamente Institutos Nacionales de Salud.

Los coautores incluyen a Marion Chiariglione, Ke Chen y Douglas Schar de Ohio. Yi Ju Lee de la Universidad de Duke; y Karen Newtemans y Aidan Martin de la Universidad de Miami.