Любовь Васильевна Андросова, кандидат биологических наук, ведущий научный сотрудник, лаборатории нейроиммунологии
Москва
Lubov V. Androsova, Cand. of Sci. (Biol.), Leading Researcher, Laboratory of Neuroimmunology
Moscow
Анатолий Никифорович Симонов, кандидат биологических наук, заведующий лабораторией, лаборатория доказательной медицины и биостатистики
Москва
Anatoly N. Simonov, Cand. of Sci. (Biol.), Head of the Laboratory, Laboratory of Evidence-Based Medicine andBiostatistics
Moscow
Олег Валентинович Сенько, доктор физико-математических наук, ведущий научный сотрудник
Москва
Oleg V. Senko, Dr. of Sci. (Physics and Math.), Leading Researcher
Moscow
Наталия Михайловна Михайлова, доктор медицинских наук, ведущий научный сотрудник
Москва
Nataliya M. Mikhaylova, Dr. of Sci. (Med.), Leading Researcher
Moscow
Анна Викторовна Кузнецова, кандидат биологических наук, старший научный сотрудник, лабораторияматематической биофизики
Москва
Anna V. Kuznetsova, Dr. of Sci. (Biol.), Senior Researcher, Laboratory of Mathematical Biophysics
Moscow
Татьяна Павловна Клюшник, доктор медицинских наук, профессор, заведующий лабораторией, лаборатория нейроиммунологии, директор
Москва
Tatyana P. Klyushnik, Dr. of Sci. (Med.), Professor, Head of the Laboratory, Laboratory of Neuroimmunology, Director
Moscow
Обоснование: болезнь Альцгеймера (БА) как наиболее распространенная форма деменции характеризуется ухудшением познавательных функций и обычно начинается с потери памяти о недавних событиях. Важен поиск биологических методов, чувствительных и доступных, которые можно было бы использовать для ранней диагностики БА и определения тяжести заболевания.
Цель исследования: разработка алгоритмов машинного обучения (МО) на основе таких воспалительных маркеров, как энзиматическая активность лейкоцитарной эластазы (ЛЭ) и функциональная активность α1-протеиназного ингибитора (α1-ПИ) для диагностики и оценки тяжести БА.
Пациенты и методы: в исследование включены 128 человек в возрасте от 55 до 94 лет (73,7 ± 7,9 года), из которых 91 пациент с диагнозом болезни Альцгеймера и 37 условно здоровых людей (контроль). В качестве классифицирующих признаков для построения моделей рассматривали показатели ЛЭ и α1-ПИ в плазме крови. Для построения модели машинного обучения применяли следующие алгоритмы: метод оптимально достоверных разбиений (Optimal Valid Partition, OVP), логистическая регрессия (LR), метод опорных векторов (SVM), случайный лес (RF), градиент бустинга (GB) и метод статистически взвешенных синдромов (МСВС). Был использован программный пакет Data Master Azforus. Прогностическую эффективность построенных классификаторов оценивали по общей точности (аccuracy), чувствительности (sensitivity), специфичности (specicity), F-мере и ROC-анализу.
Результаты: созданные алгоритмы машинного обучения позволили надежно разделить общую группу исследуемых (пациенты + условно здоровые), а также пациентов с различной тяжестью БА на 4 квадранта двумерной диаграммы в координатах ЛЭ и α1-ПИ и показали близкую и достаточно высокую прогностическую эффективность.
Заключение: разработанные алгоритмы машинного обучения оказались высокоэффективными в оценке тяжести БА на основе воспалительных маркеров (энзиматической активности ЛЭ и функциональной активности α1-ПИ) и могут быть полезными для ранней диагностики заболевания и своевременного назначения терапии.
Background: as the most common form of dementia, Alzheimer’s disease (AD) is characterized by cognitive deterioration and usually begins with loss of memory of recent events. It is important to search for biological, sensitive and affordable methods that could be used for early diagnostics of AD and determine the severity of the disease.
Objective: to develop machine learning algorithms based on such inflammatory markers as the enzymatic activity of leukocyte elastase (LE) and the functional activity of the α1-proteinase inhibitor (α1-PI) for diagnosing and assessing the severity of AD.
Patients and methods: the study included128 people aged 55 to 94 years (73.7 ± 7.9 years), of which 91 patients were diagnosed with Alzheimer’s disease and 37 apparently healthy people (control). The indicators of LE and α1-PI in blood plasma were used as classifying features for building models. The following algorithms were used to build a machine learning model: Optimal Valid Partition (OVP), logistic regression (LR), support vector machine (SVM), random forest (RF), gradient boosting (GB) and statistically weighted syndromes (WSWS). The predictive performance of the constructed classiers was evaluated by the overall accuracy (accuracy), sensitivity (sensitivity), specificity (specificity), F-measure and ROC-analysis.
Results: the developed machine learning algorithms made it possible to reliably divide the general group of subjects (patients + conditionally healthy), as well as patients with different AD severity, into 4 quadrants of a two-dimensional diagram in the LE and α1-PI coordinates and showed close and fairly high predictive efficiency.
Conclusion: the developed machine learning algorithms have proven close and sufficiently high prognostic efficacy for assessing the severity of AD based on inflammatory markers (enzymatic activity of LE and functional activity of α1-PI) and, probably, can be useful for early diagnostics of the disease and timely administration of therapy.
The authors declare that there are no conflicts of interest present.