Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

A metabolite-based machin… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

A metabolite-based machine learning approach to diagnose Alzheimer-type dementia in blood: Results from the European Medical Information Framework for Alzheimer disease biomarker discovery cohort.

Artikel i vetenskaplig tidskrift
Författare Daniel Stamate
Min Kim
Petroula Proitsi
Sarah Westwood
Alison Baird
Alejo Nevado-Holgado
Abdul Hye
Isabelle Bos
Stephanie J B Vos
Rik Vandenberghe
Charlotte E Teunissen
Mara Ten Kate
Philip Scheltens
Silvy Gabel
Karen Meersmans
Olivier Blin
Jill Richardson
Ellen De Roeck
Sebastiaan Engelborghs
Kristel Sleegers
Régis Bordet
Lorena Ramit
Petronella Kettunen
Magda Tsolaki
Frans Verhey
Daniel Alcolea
Alberto Lléo
Gwendoline Peyratout
Mikel Tainta
Peter Johannsen
Yvonne Freund-Levi
Lutz Frölich
Valerija Dobricic
Giovanni B Frisoni
José L Molinuevo
Anders Wallin
Julius Popp
Pablo Martinez-Lage
Lars Bertram
Kaj Blennow
Henrik Zetterberg
Johannes Streffer
Pieter J Visser
Simon Lovestone
Cristina Legido-Quigley
Publicerad i Alzheimer's & dementia (New York, N. Y.)
Volym 5
Sidor 933-938
ISSN 2352-8737
Publiceringsår 2019
Publicerad vid Institutionen för neurovetenskap och fysiologi
Institutionen för neurovetenskap och fysiologi, sektionen för psykiatri och neurokemi
Sidor 933-938
Språk en
Länkar dx.doi.org/10.1016/j.trci.2019.11.0...
www.ncbi.nlm.nih.gov/entrez/query.f...
Ämneskategorier Klinisk medicin

Sammanfattning

Machine learning (ML) may harbor the potential to capture the metabolic complexity in Alzheimer Disease (AD). Here we set out to test the performance of metabolites in blood to categorize AD when compared to CSF biomarkers.This study analyzed samples from 242 cognitively normal (CN) people and 115 with AD-type dementia utilizing plasma metabolites (n = 883). Deep Learning (DL), Extreme Gradient Boosting (XGBoost) and Random Forest (RF) were used to differentiate AD from CN. These models were internally validated using Nested Cross Validation (NCV).On the test data, DL produced the AUC of 0.85 (0.80-0.89), XGBoost produced 0.88 (0.86-0.89) and RF produced 0.85 (0.83-0.87). By comparison, CSF measures of amyloid, p-tau and t-tau (together with age and gender) produced with XGBoost the AUC values of 0.78, 0.83 and 0.87, respectively.This study showed that plasma metabolites have the potential to match the AUC of well-established AD CSF biomarkers in a relatively small cohort. Further studies in independent cohorts are needed to validate whether this specific panel of blood metabolites can separate AD from controls, and how specific it is for AD as compared with other neurodegenerative disorders.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?