Gehirnscans und Liquoruntersuchungen sagen Alzheimer-Pathologie bei der Autopsie genau voraus
In einer Studie mit 7.894 Personen sagten maschinelle Lernmodelle erfolgreich 26 Arten von Gehirnpathologien unter Verwendung von MRT-Scans, Liquormarkern und kognitiven Tests vor der Bestätigung durch die Autopsie voraus.
Was wurde untersucht
Forscher analysierten Daten von 7.894 Personen, um zu testen, ob maschinelles Lernen autopsiebestätigte Gehirnpathologien vorhersagen kann, basierend auf Tests, die durchgeführt wurden, während die Patienten noch lebten. Sie verglichen die Genauigkeit klinischer Bewertungen, Gehirn-MRT-Scans und Biomarker aus der Liquorflüssigkeit (Liquor) bei der Vorhersage von 26 verschiedenen Arten von Schäden, die bei Alzheimer und verwandten Demenzen gefunden wurden.
Was wurde gefunden
Verschiedene Tests waren unterschiedlich gut darin, verschiedene Pathologien vorherzusagen. Liquor-Biomarker waren am besten darin, Amyloid-Plaques und Tau-Verwicklungen vorherzusagen. Gehirn-Diffusions-MRT-Scans (die die Wasserbewegung im Gehirngewebe messen) übertrafen kognitive Tests bei der Erkennung von vaskulären Gehirnverletzungen und Schäden an der weißen Substanz. Die maschinellen Lernmodelle konnten zuverlässig das Braak-Stadium vorhersagen, ein wichtiger Maßstab für die Ausbreitung der Tau-Pathologie.
Warum es wichtig ist
Diese Arbeit hilft Klinikern, die richtigen Tests für die richtigen Fragen auszuwählen. Anstatt sich auf einen einzelnen Biomarker zu verlassen, könnten Ärzte schließlich Kombinationen verwenden, die auf die vermutete Pathologiemischung jedes Patienten zugeschnitten sind. Da die meisten Demenzpatienten mehrere überlappende Veränderungen im Gehirn aufweisen, nicht nur Alzheimer-Pathologie, könnten bessere Vorhersagewerkzeuge zu genaueren Diagnosen und besser abgestimmten Behandlungen in der Zukunft führen.
Einschränkungen
Die Studie verwendete Daten aus Forschungs-Kohorten mit Autopsie-Nachverfolgung, die möglicherweise nicht alle Demenzpatienten repräsentieren. Die maschinellen Lernmodelle müssten in unabhängigen Populationen validiert werden, bevor sie klinisch eingesetzt werden. Dies ist derzeit ein Preprint, der auf die Begutachtung wartet, und die Zusammenfassung berichtet nicht über Vorhersagegenauigkeitsraten oder wie oft die Modelle falsch lagen.