{"id":31058,"date":"2024-10-31T09:00:00","date_gmt":"2024-10-31T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/de\/?p=31058"},"modified":"2025-02-24T14:07:59","modified_gmt":"2025-02-24T12:07:59","slug":"vorhersage-der-inzidenz-der-alzheimer-krankheit-mittels-maschinellem-lernen-unter-verwendung-gross-angelegter-verwaltungsdaten-aus-dem-gesundheitswesen","status":"publish","type":"post","link":"https:\/\/neuronup.com\/de\/neuronup-nachrichten\/vorhersage-der-inzidenz-der-alzheimer-krankheit-mittels-maschinellem-lernen-unter-verwendung-gross-angelegter-verwaltungsdaten-aus-dem-gesundheitswesen\/","title":{"rendered":"Vorhersage der Inzidenz der Alzheimer-Krankheit mittels maschinellem Lernen unter Verwendung gro\u00df angelegter Verwaltungsdaten aus dem Gesundheitswesen"},"content":{"rendered":"\n

In diesem Artikel spricht Antonio Javier Sutil Jim\u00e9nez \u00fcber die Studie „Vorhersage der Inzidenz der Alzheimer-Krankheit mittels maschinellem Lernen unter Verwendung gro\u00df angelegter Verwaltungsdaten aus dem Gesundheitswesen“.<\/p>\n\n\n\n

Warum ist die Studie zur Vorhersage von Alzheimer mit maschinellem Lernen wichtig?<\/h2>\n\n\n\n

Der technologische Fortschritt kann manchmal unerwartete L\u00f6sungen f\u00fcr medizinische Probleme bieten. Ein Beispiel daf\u00fcr ist die Verwendung von administrativen Gesundheitsdaten zur Erstellung pr\u00e4diktiver Modelle f\u00fcr das Risiko, an Alzheimer zu erkranken.<\/p>\n\n\n\n

Die gro\u00dfe Neuheit der Arbeit von Park und seinen Mitarbeitern lag in der Nutzung dieser massiven Menge an Daten, die, wie die Forscher beschreiben, in vielen F\u00e4llen noch nicht vollst\u00e4ndig ausgesch\u00f6pft sind. Die Digitalisierung der Krankenakten hat sich somit zu einer wertvollen Ressource entwickelt, um den Aufwand und die Kosten der Datenerhebung zu reduzieren.<\/p>\n\n\n\n

Dennoch war die Anwendung auf Krankheiten wie Alzheimer begrenzt. Teilweise wurde dies dank der gestiegenen Rechenkapazit\u00e4t gel\u00f6st, die es erm\u00f6glicht, maschinelles Lernen auf die Datenanalyse anzuwenden und pr\u00e4diktive Modelle zu erstellen, die aufgrund ausreichend gro\u00dfer Stichproben repr\u00e4sentativ f\u00fcr die Bev\u00f6lkerung sind.<\/p>\n\n\n\n

Pr\u00e4misse der Studie<\/h3>\n\n\n\n

Die Studie basiert auf der Pr\u00e4misse, dass die Verwendung von Daten von Personen, die ein Risiko f\u00fcr die Alzheimer-Krankheit aufweisen, eine fr\u00fchere Erkennung von F\u00e4llen im pr\u00e4klinischen Stadium erm\u00f6glichen und damit therapeutische Strategien verbessern kann.<\/p>\n\n\n\n

Um dieses Ziel zu erreichen, erhielt die Forschergruppe Zugang zur Datenbank des koreanischen Gesundheitssystems, die \u00fcber 40.000 Gesundheitsakten von Personen \u00fcber 65 Jahren mit einer Vielzahl von Informationen wie pers\u00f6nliche Anamnese, famili\u00e4re Vorgeschichte, soziodemografische Daten, Diagnosen, Medikation usw. enthielt.<\/p>\n\n\n\n

Methodologie<\/h2>\n\n\n\n

Datensatz<\/h3>\n\n\n\n

F\u00fcr die Durchf\u00fchrung der Studie wurde eine Kohorte des NHIS-NSC<\/strong> (The National Health Insurance Service\u2013National Sample Cohort) aus S\u00fcdkorea ausgew\u00e4hlt, die \u00fcber eine Million Teilnehmer umfasste und \u00fcber elf Jahre (2002 bis 2013) beobachtet wurde.<\/p>\n\n\n\n

Die Datenbank enthielt Informationen \u00fcber die Gesundheitsdienste, Diagnosen und Verschreibungen jeder Person sowie klinische Merkmale, darunter demografische Daten, Einkommensniveau basierend auf dem Monatsgehalt, Krankheits- und Medikamentencodes, Laborwerte, Gesundheitsprofile und pers\u00f6nliche und famili\u00e4re Krankengeschichte. Aus dieser Stichprobe wurden 40.736 Erwachsene \u00fcber 40 Jahre f\u00fcr diese Studie ausgew\u00e4hlt.<\/p>\n\n\n\n

Operationale Definition der Alzheimer-Krankheit<\/h3>\n\n\n\n

Es wurde eine operative Definition der Alzheimer-Krankheit erstellt, die auf dem Algorithmus einer fr\u00fcheren kanadischen Studie basierte.<\/p>\n\n\n\n

Dieser Algorithmus erreichte eine Sensitivit\u00e4t von 79 % und eine Spezifit\u00e4t von 99 %<\/strong>, indem er Krankenhauscodes, medizinische Forderungen und spezifische Rezepte f\u00fcr Alzheimer einbezog.<\/p>\n\n\n\n

Um die Genauigkeit bei der Erkennung der Krankheit zu verbessern, wurden die Etiketten \u201edefinite AD\u201c f\u00fcr F\u00e4lle mit einem hohen Ma\u00df an Sicherheit und \u201eprobable AD\u201c f\u00fcr F\u00e4lle verwendet, die nur anhand der ICD-10-Codes (International Classification of Diseases) best\u00e4tigt wurden, um falsch negative Ergebnisse zu minimieren. Mit diesen Etiketten betrug die Pr\u00e4valenz der Alzheimer-Krankheit 1,5 % f\u00fcr \u201edefinite AD\u201c und 4,9 % f\u00fcr \u201eprobable AD\u201c.<\/p>\n\n\n\n

Analyse<\/h3>\n\n\n\n

F\u00fcr die Analyse und Verarbeitung der Daten wurden Merkmale wie Alter und Geschlecht verwendet, zusammen mit 21 Variablen aus der NHIS-NSC-Datenbank, die Gesundheitsprofile und famili\u00e4re Krankheitsgeschichte sowie \u00fcber 6.000 aus ICD-10-Codes und Medikamentencodes abgeleitete Variablen umfassten.<\/p>\n\n\n\n

Nach der Beschreibung der Merkmale wurden diese auf die Inzidenz der Diagnose f\u00fcr jede Person ausgerichtet, basierend auf ICD-10-Codes und Medikamentencodes. Dies erm\u00f6glichte es, seltene Krankheiten und Medikamentencodes mit geringer H\u00e4ufigkeit auszuschlie\u00dfen. Au\u00dferdem wurden Personen ohne neue Gesundheitsdaten in den letzten zwei Jahren ausgeschlossen. Der endg\u00fcltige Satz an in den Modellen verwendeten Variablen umfasste 4.894 einzigartige Merkmale.<\/p>\n\n\n\n

Um die Vorhersagen f\u00fcr „n“ Jahre in der Gruppe mit Alzheimer-Krankheit zu erstellen, wurden Zeitfenster von 2002 bis zum Inzidenzjahr genutzt. In der Gruppe ohne Krankheit wurden die Daten von 2002 bis 2010-n herangezogen.<\/p>\n\n\n\n

Schlie\u00dflich wurden vor der Implementierung des Modells Trainings-, Validierungs- und Testuntergruppen erstellt, indem sowohl ein ausgewogenes und zuf\u00e4llig gesampeltes als auch ein unausgewogenes Datenset verwendet wurde.<\/p>\n\n\n\n

Anwendung von Machine-Learning-Techniken (ML)<\/h3>\n\n\n\n

Schlie\u00dflich wurde die Datenanalyse durch den Einsatz von Machine-Learning-Techniken wie Random Forest, Support Vector Machine mit linearem Kernel und logistischer Regression durchgef\u00fchrt.<\/p>\n\n\n\n

Das Training, die Validierung und die Tests wurden unter Verwendung einer geschichteten Kreuzvalidierung mit 5 Iterationen durchgef\u00fchrt.<\/p>\n\n\n\n

Die Merkmalsauswahl wurde innerhalb der Trainingsstichproben unter Anwendung einer Varianzschwellenmethode durchgef\u00fchrt, und die Generalisierbarkeit der Modellleistung wurde anhand der Teststichproben bewertet.<\/p>\n\n\n\n

Zur \u00dcberpr\u00fcfung der Modellleistung wurden g\u00e4ngige Kennzahlen wie die Fl\u00e4che unter der ROC-Kurve, Sensitivit\u00e4t und Spezifit\u00e4t verwendet.<\/p>\n\n\n\n

F\u00fcr detailliertere Informationen zur Durchf\u00fchrung dieser Studie wird empfohlen, den Originalartikel zu lesen.<\/p>\n\n\n\n

Was sind die Hauptschlussfolgerungen dieser Studie zur Vorhersage von Alzheimer mit Machine Learning?<\/h2>\n\n\n\n

Die Studie hebt das Potenzial datengetriebener Techniken des maschinellen Lernens als vielversprechendes Werkzeug zur Vorhersage des Demenzrisikos vom Typ Alzheimer hervor.<\/p>\n\n\n\n

Hauptvorteil der Studie<\/h3>\n\n\n\n

Diese Studie bietet einen erheblichen Vorteil gegen\u00fcber anderen Ans\u00e4tzen, die auf Informationen aus neuroimaging-basierten Tests oder neuropsychologischen Bewertungen beruhen, da sie ausschlie\u00dflich administrative Daten verwendet.<\/p>\n\n\n\n

W\u00e4hrend sich andere Studien auf Populationen konzentrieren, die bereits in einer echten klinischen Risikosituation sind oder gen\u00fcgend Besorgnis gezeigt haben, um einen Gesundheitsfachmann aufzusuchen, nutzt dieser Ansatz die Verf\u00fcgbarkeit administrativer Daten, um Risiken ohne vorherige klinische Bewertungen zu identifizieren.<\/p>\n\n\n\n

<\/td>Definitives AD<\/td>Wahrscheinliches AD<\/td>Nicht-AD<\/td><\/tr>
Anzahl der F\u00e4lle<\/td>614<\/td>2026<\/td>38.710<\/td><\/tr>
Durchschnittsalter<\/td>80.7<\/td>79.2<\/td>74.5<\/td><\/tr>
Geschlecht (Mann, Frau)<\/td>229, 285<\/td>733, 1293<\/td>18.200, 20.510<\/td><\/tr><\/tbody><\/table>
Tabelle 1. Vereinfachte Daten zu den Merkmalen der Stichprobe. Genauere Daten und eine gr\u00f6\u00dfere Anzahl von Merkmalen finden Sie in Tabelle 1 der Originalarbeit.<\/figcaption><\/figure>\n\n\n\n

Im Folgenden werden die Vergleichstabellen zwischen Definitives AD<\/strong> und Nicht-AD<\/strong> sowie Wahrscheinliches AD<\/strong> und Nicht-AD<\/strong> f\u00fcr die Prognosejahre 0 und 4 mit allen im Studium verwendeten Klassifikatoren dargestellt.<\/p>\n\n\n\n

Prognosejahre<\/td>Klassifikator<\/td>Metriken<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Pr\u00e4zision<\/td>AUC<\/td>Sensitivit\u00e4t<\/td>Spezifit\u00e4t<\/td><\/tr>
0 Jahre<\/td>Logistische Regression<\/td>0.76<\/td>0.794<\/td>0.726<\/td>0.793<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.763<\/td>0.817<\/td>0.795<\/td>0.811<\/td><\/tr>
<\/td>Random Forest<\/td>0.823<\/td>0.898<\/td>0.509<\/td>0.852<\/td><\/tr>
4 Jahre<\/td>Logistische Regression<\/td>0.627<\/td>0.661<\/td>0.509<\/td>0.745<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.646<\/td>0.685<\/td>0.538<\/td>0.754<\/td><\/tr>
<\/td>Random Forest<\/td>0.663<\/td>0.725<\/td>0.621<\/td>0.705<\/td><\/tr><\/tbody><\/table>
Definite AD vs Non AD.<\/figcaption><\/figure>\n\n\n\n
Prognosejahre<\/td>Klassifikator<\/td>Metriken<\/td><\/td><\/td><\/td><\/tr>
<\/td><\/td>Pr\u00e4zision<\/td>AUC<\/td>Sensitivit\u00e4t<\/td>Spezifit\u00e4t<\/td><\/tr>
0 Jahre<\/td>Logistische Regression<\/td>0.763<\/td>0.783<\/td>0.689<\/td>0.783<\/td><\/tr>
<\/td>Support Vector Machine<\/td>0.734<\/td>0.794<\/td>0.652<\/td>0.816<\/td><\/tr>
<\/td>Random Forest<\/td>0.788<\/td>0.850<\/td>0.723<\/td>0.853<\/td><\/tr>
4 Jahre<\/td>Logistische Regression<\/td>0.611<\/td>0.644<\/td>0.516<\/td>0.707<\/td><\/tr>
<\/td>Support Vector Model<\/td>0.601<\/td>0.641<\/td>0.465<\/td>0.738<\/td><\/tr>
<\/td>Random Forest<\/td>0.641<\/td>0.683<\/td>0.603<\/td>0.679<\/td><\/tr><\/tbody><\/table>
Wahrscheinlich AD vs. nicht AD.<\/figcaption><\/figure>\n\n\n\n

Die hier vorgestellten Tabellen sind vereinfachte Darstellungen der Tabellen aus dem Originalartikel, in denen die Vorhersagejahre auf zwei (0 und 4 Jahre) beschr\u00e4nkt wurden.<\/p>\n\n\n\n

Erkenntnisse f\u00fcr die Vorhersage<\/h3>\n\n\n\n

Ein weiterer wichtiger Punkt des Artikels sind die relevanten Merkmale, die f\u00fcr die Vorhersage ermittelt wurden. Diese Merkmale stehen positiv oder negativ im Zusammenhang mit dem Auftreten der Alzheimer-Krankheit. Einige Merkmale, die positiv mit der Entwicklung der Krankheit verbunden sind, umfassen das Alter, das Vorhandensein von Protein im Urin und die Verschreibung von Zotepin (einem Antipsychotikum).<\/p>\n\n\n\n

Andererseits wurden auch Merkmale identifiziert, die negativ mit dem Auftreten der Krankheit korreliert sind, wie z. B. eine verringerte H\u00e4moglobin-Konzentration, die Verschreibung von Nicametat-Citrat (ein Vasodilatator), degenerative Erkrankungen des Nervensystems und Erkrankungen des \u00e4u\u00dferen Ohrs.<\/p>\n\n\n\n

Dar\u00fcber hinaus wurde das Vorhersagemodell nur mit den 20 wichtigsten Merkmalen getestet, wobei festgestellt wurde, dass die Genauigkeit f\u00fcr die Jahre 0 und 1 der des urspr\u00fcnglichen Modells sehr \u00e4hnlich war.<\/p>\n\n\n\n

Ist die auf Verwaltungsdaten basierende Erkennung m\u00f6glich?<\/h3>\n\n\n\n

Die Schlussfolgerung der Studie lautet daher, dass es m\u00f6glich ist, Personen mit einem Risiko f\u00fcr Alzheimer nur auf Grundlage administrativer Gesundheitsdaten zu identifizieren. Die Autoren lassen jedoch die M\u00f6glichkeit offen, dass zuk\u00fcnftige Studien in verschiedenen L\u00e4ndern und Gesundheitssystemen diese Ergebnisse best\u00e4tigen k\u00f6nnten. Eine Replikation dieser Methode k\u00f6nnte eine fr\u00fchere und genauere Identifizierung von Risikopersonen erm\u00f6glichen.<\/p>\n\n\n\n

Wie k\u00f6nnte NeuronUP zu einer solchen Studie beitragen?<\/h2>\n\n\n\n

NeuronUP verf\u00fcgt in zwei Hauptbereichen \u00fcber wissenschaftliche Erfahrung:<\/p>\n\n\n\n

    \n
  1. Unterst\u00fctzung von Forschungsgruppen, die an Technologie interessiert sind,<\/li>\n\n\n\n
  2. Eigene wissenschaftliche Arbeiten f\u00fcr Ver\u00f6ffentlichungen in renommierten Zeitschriften.<\/li>\n<\/ol>\n\n\n\n

    Insbesondere f\u00fcr Studien mit \u00e4hnlichen Merkmalen wie im Artikel beschrieben, glauben wir, dass NeuronUP \u00fcber das Team und die Erfahrung verf\u00fcgt, um mit gro\u00dfen Datens\u00e4tzen wie den beschriebenen zu arbeiten:<\/p>\n\n\n\n