KI identifiziert geschlechtsspezifische Faktoren bei der Vorhersage von Alzheimer und Parkinson

Eine vom Cnr-Istc [Nationaler Forschungsrat - Institut für Kognitionswissenschaften und -technologien] koordinierte Studie nutzte maschinelles Lernen, um neuropsychologische, neurophysiologische und genetische Tests unter Berücksichtigung des Geschlechts zu analysieren, um den Ausbruch von Alzheimer und Parkinson vorherzusagen. Die Forschung zielt darauf ab, eine Grundlage für geschlechtsspezifische Diagnoseansätze in der klinischen Praxis zu schaffen. Die Ergebnisse wurden im Journal of the Neurological Sciences veröffentlicht. Die vom Cnr-Istc [Nationaler Forschungsrat - Institut für Kognitionswissenschaften und -technologien] in Rom koordinierte Studie setzte künstliche Intelligenz (KI) ein, um Schlüsselfaktoren für die Frühdiagnose bei Männern und Frauen zu identifizieren. Eine gemischte Stichprobe von gesunden und betroffenen Personen wurde neuropsychologischen Tests, neurophysiologischen Datenerhebungen und genetischen Analysen unterzogen. Der KI-Algorithmus identifizierte und differenzierte dann die wichtigsten prädiktiven Faktoren, die mit dem Ausbruch beider Krankheiten in Verbindung stehen, basierend auf dem Geschlecht. Die Forschung, an der das Area di Ricerca Milano 4 des Cnr [Nationaler Forschungsrat], die Fondazione Mondino, die Università di Pavia, die Fondazione Santa Lucia IRCCS, die Università di Roma Sapienza und Tor Vergata sowie AI2Life s.r.l. beteiligt waren, veröffentlichte die Ergebnisse in zwei Artikeln des Journal of the Neurological Sciences. Diese Artikel beschreiben die Leistung des Modells für maschinelles Lernen bei der Vorhersage von Alzheimer und Parkinson im Detail. Daniele Caligiore, Forschungsdirektor am Cnr-Istc [Nationaler Forschungsrat - Institut für Kognitionswissenschaften und -technologien] und Direktor der Advanced School in Artificial Intelligence (AS-AI), erklärte: "Die Neuheit der Studie liegt in ihrem integrierten Ansatz, der mit der Theorie übereinstimmt, dass sowohl Alzheimer als auch Parkinson Manifestationen einer einzigen Krankheit sein könnten, die als Neurodegenerative Elderly Syndrome (NES) bezeichnet wird." Der KI-Algorithmus analysierte Unterschiede zwischen gesunden und kranken Patienten unabhängig vom Geschlecht und verwendete dabei erklärbares maschinelles Lernen, um die Zuverlässigkeit zu erhöhen und die medizinische Akzeptanz zu fördern. Für Alzheimer analysierte der Algorithmus neuropsychologische Tests, die die Wahrscheinlichkeit einer Erkrankung basierend auf dem Geschlecht schätzten, wobei Parameter wie Gedächtnis, Orientierung, Aufmerksamkeit und Sprache (MMSE [Mini-Mental State Examination]); Kurzzeitiges verbales Gedächtnis (AVTOT [Auditory-Verbal Test]); und langfristiges episodisches Gedächtnis (LDELTOTAL [Long-Delay Free Recall Total]) verwendet wurden. Der Forscher stellte fest: "Das System für maschinelles Lernen zeigt, dass MMSE bei Frauen ein effektiverer Prädiktor ist, während es bei Männern für die langfristige Überwachung unerlässlich ist. LDELTOTAL ist bei Frauen prädiktiver, während AVTOT bei Männern relevanter ist. Auch der Bildungsstand wirkt sich unterschiedlich auf das Alzheimer-Risiko aus, wobei Frauen einem größeren Risiko ausgesetzt sind." Das Parkinson-Forschungsmodell identifizierte wichtige neuropsychologische, genetische und physische Merkmale, die mit dem Ausbruch der Krankheit in Verbindung stehen. Muskelsteifheit und Funktionsstörungen des autonomen Nervensystems sind wichtige Prädiktoren für Männer, während Harnfunktionsstörungen für Frauen relevanter sind. Alter und Familienanamnese waren ebenfalls wichtige Prädiktoren, mit größeren Auswirkungen bei Männern. Verbale semantische Flüssigkeit (SFT [Semantic Fluency Test]) und die genetische Variante SNCA-rs356181, die mit dem Alpha-Synuclein-Gen verbunden ist, waren bei Männern relevanter. Caligiore erklärte: "Diese Ergebnisse unterstreichen die Bedeutung der Integration geschlechtsspezifischer Diagnoseansätze zur Verbesserung des Managements von Alzheimer und Parkinson. Zukünftige Forschung wird neuropsychologische Tests und prädiktive Biomarker verfeinern und sich auf das Geschlecht konzentrieren, um personalisierte Behandlungen zu unterstützen." Er fügte hinzu: "Unsere Studie zeigt, wie KI die Medizin effektiv unterstützen kann, indem sie individuelle Merkmale mit einer systemischen Sichtweise kombiniert und patientenspezifische Daten integriert, um den Krankheitsausbruch vorherzusagen, den Fortschritt zu überwachen und gezielte Behandlungen anzubieten."