Abstract

En este trabajo, se estableció una metodología de soporte al diagnostico de la enfermedad de Alzheimer (AD), principalmente en sus etapas de Deterioro Cognitivo Leve (MCI) ocasionado por AD y demencia ocasionada por AD. Para este fin fueron obtenidos casos clínicos de dos proyectos de investigación en demencia del tipo AD de reconocida trayectoria: las bases de datos Alzheimer's Disease Neuroimaging Initiative (ADNI) (www.loni.ucla.edu/ADNI) y la base de datos The Open Access Series of Imaging Studies (OASIS) (http://www.oasis-brains.org/). Asimismo, fueron establecidas dos tareas principales: la selección de variables predictoras de AD y la construcción de modelos de clasificacion basados en máquinas de soporte vectorial (SVM), entrenados a partir de las variables seleccionadas. Las variables predictoras seleccionadas estuvieron conformadas por biomarcadores morfométricos y características socio-demográficas y neuropsicológicas. Estas variables deberan ser útiles para la discriminación de casos clínicos en tres estados: (1) Estado normal (generalmente personas mayores sanas);

(2) Estado MCI ocasionado por AD; y (3) Etapa de demencia ocasionada por AD. Por otro lado, los modelos SVM estarán enfocados a dos tareas principales: (1) Diagnóstico de AD mediante la discriminación entre sujetos sanos y sujetos con AD; y (2) Predicción de AD, orientada a la discriminación de sujetos MCI con riesgo de convertirse a AD y sujetos MCI sin riesgo de conversión. Asimismo, estos modelos deberán garantizar resultados aceptables, respecto a la sensibilidad y especificidad de las tareas de clasificación.


Los resultados obtenidos en esta investigación son prometedores. Por un lado, el subconjunto de variables seleccionadas como relevantes para el diagnóstico de AD, tienen correlación con los resultados de investigaciones previas. Asimismo, en la etapa de testeo, los resultados demostraron que los modelos SVM son de gran utilidad para el soporte diagnóstico clínico de esta enfermedad, siendo capaces de discriminar sujetos con AD de sujetos sanos (diagnóstico) con una exactitud mayor al 99% y distinguir a los sujetos MCI con riesgo de conversión a AD de los sujetos MCI sin riego de conversión (predicción) con una exactitud superior al 94%.


The PDF file did not load properly or your web browser does not support viewing PDF files. Download directly to your device: Download PDF document

References

See pdf document

Back to Top

Document information

Published on 01/11/17
Submitted on 24/10/17

Licence: CC BY-NC-SA license

Document Score

0

Views 17
Recommendations 0

Share this document

claim authorship

Are you one of the authors of this document?