Resumen

La detección precoz de la progresión de la enfermedad de Alzheimer (EA) es crucial para el manejo adecuado de la enfermedad. La mayoría de los estudios se concentran en el análisis de los datos de neuroimagen de las visitas iniciales únicamente. Ignoran el hecho de que la EA es una enfermedad crónica y los datos de los pacientes son naturalmente longitudinales. Además, no hay estudios que examinen el efecto de los medicamentos para la demencia en el comportamiento de la enfermedad. En este trabajo, proponemos una arquitectura basada en el aprendizaje automático para la detección temprana de la progresión de la EA basada en datos multimodales de los medicamentos para la EA y en datos de las puntuaciones cognitivas. Comparamos el rendimiento de cinco técnicas populares de aprendizaje automático, incluyendo la máquina de vectores de apoyo, el bosque aleatorio, la regresión logística, el árbol de decisión y el vecino más cercano a K, para predecir la progresión de la EA después de 2,5 años. Se realizan amplios experimentos utilizando un conjunto de datos ADNI de 1036 sujetos. El rendimiento de la validación cruzada de la mayoría de los algoritmos se ha mejorado al fusionar los datos de los fármacos y las puntuaciones cognitivas. Los resultados indican el importante papel de los fármacos que toma el paciente en la progresión de la enfermedad de Alzheimer.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:datos de puntuación cognitiva, técnicas de aprendizaje automático, análisis de datos de neuroimagen, detección de ad, papel de los pacientes, efectos de la demencia, máquina de vectores de apoyo, datos de ad, detección de progresión temprana, progresión de ad
• Keywords:cognitive score data, machine learning techniques, neuroimaging data analysis, detection of ad, role of patients, effects of dementia, support vector machine, data of ad, early progression detection, progression of ad