Using Machine Learning for Predicting Alzheimer's Disease Among Older Adults

Hovedfokuset i denne studien var å utforske mulighetene til å bruke maskinlæring for å predikere Alzheimers sykdom blant eldre, før symptomene oppstår. Vi startet med å utvikle og evaluere fem maskinlæringsmodeller som er mye brukt og har gitt gode resultater i tidligere studier. Dette gjorde vi for å finne de mest effektive algoritmene. Deretter validerte vi metoden vår ved å sammenligne implementerte modeller med eksisterende modeller. Dette gjorde av vi klarte å identifisere de viktigste faktorene for å predikere Alzheimers sykdom.\n\nØkningen i antall eldre i Norge har ført til en økning i tilfeller av demens. Alzheimers sykdom er den viktigste årsaken til demens blant personer over 65 år. I 2020 ble omtrent 100 000 personer diagnostisert med demens i Norge. Dette tallet forventes å øke de neste tiårene på grunn av økningen i antall eldre. Omsorg og pleie relatert til en person med demens koster samfunnet omtrent 362 800 norske kroner per år. Sykdommen blir ofte påvist etter at symptomene har oppstått. Siden det ikke finnes en kur for demens eller Alzheimers sykdom, er det viktig å oppdage tidlige tegn på sykdommene for å kunne starte behandling og bremse utviklingen. Dagens utredning av demens og Alzheimers sykdom er både kostbare og tidkrevende. Behovet for bruk av ny teknologi innen tidlig diagnostisering er derfor stort.\n\nI prosjektet brukte vi data fra Generasjon 100-studien, hentet fra forskningsgruppen Cardiac Excercise Research Group, som fulgte 1 567 deltakere i aldersgruppen 70 til 77 år. Deltakerne bodde i Trondheim og ble observert over fem år. Studien undersøkte effekten av trening hos eldre. Det ble forsket på hvordan ulike treningsintensiteter påvirket livskvaliteten og helsen til deltakerne.\n\nVår studie er et grunnlag for bruk av maskinlæring for å predikere Alzheimers sykdom blant eldre. Resultatet av studien viser at blant de fem maskinlæringsmodellene oppnådde ``extreme gradient boosting'' best resultat på nøyaktighet, F1 nøyaktighet, presisjon og tilbakekalling. Modellen ga en nøyaktighet på 92,42\\%, F1 nøyaktighet på 0,91, presisjon på 0,91 og tilbakekalling på 0,93. Modellen ``random forest'' ga den høyeste AUC-ROC scoren på 0,76. Ved validering av vår metode med eksisterende forskning fikk vi bekreftet at modellene våre var effektive, og forsterket troverdigheten til forskningen slik at den kan være nyttig for videre studier. Analysen vår indikerer at variabelen ``the Montreal cognitive assessment score'', som er et mål på kognitiv funksjon og variabelen for tidlige symptomer på nevrodegenerative lidelser knyttes opp mot økt risiko for Alzheimers sykdom.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.