Machine learning for modeling the progression of Alzheimer disease dementia using clinical data: a systematic literature review.
Machine learning for modeling the progression of Alzheimer disease dementia using clinical data: a systematic literature review.
复制标题
DOI：
10.1093/jamiaopen/ooab052
复制
发表时间：
2021-07
期刊：
影响因子：
2.1
通讯作者：
Gupta A
中科院分区：
文献类型：
--
作者：
Kumar S;Oh I;Schindler S;Lai AM;Payne PRO;Gupta A
阿尔茨海默病(AD)是痴呆症最常见的原因，是一种以严重的认知障碍为特征的综合征，足以干扰日常生活活动。我们的目标是对将机器学习(ML)方法应用于来自电子健康记录的临床数据的研究进行系统的文献综述(SLR)，以建立AD痴呆进展的风险模型。我们检索了PubMed、Scope us、Science Direct、IEEE探索数字图书馆、计算机械协会数字图书馆和arxiv在2010年1月1日至2020年5月31日期间发表的文章。我们使用预定义的标准来选择相关文章，并根据ML分析的关键组成部分(如数据特征、计算算法和研究重点)对其进行总结。在过去的5年里，使用基于ML的分析用于AD痴呆建模的研究论文的数量有了相当大的增长。我们查阅了在我们的SLR上的相关文章。结果表明，现有的大多数研究都集中在使用公开的数据集来预测AD痴呆的进展，这些数据集包含神经成像和临床数据(神经行为状态检查分数、患者人口统计学、神经成像数据和实验室测试值)。识别有阿尔茨海默病进展风险的个人可能有助于个性化疾病管理，以计划未来的护理。由结构化数据表和临床记录组成的临床数据可以有效地用于基于ML的方法来模拟AD痴呆进展的风险。数据共享和结果的重现性可以增强本研究的影响力、适应性和概括性。
Alzheimer disease (AD) is the most common cause of dementia, a syndrome characterized by cognitive impairment severe enough to interfere with activities of daily life. We aimed to conduct a systematic literature review (SLR) of studies that applied machine learning (ML) methods to clinical data derived from electronic health records in order to model risk for progression of AD dementia. We searched for articles published between January 1, 2010, and May 31, 2020, in PubMed, Scopus, ScienceDirect, IEEE Explore Digital Library, Association for Computing Machinery Digital Library, and arXiv. We used predefined criteria to select relevant articles and summarized them according to key components of ML analysis such as data characteristics, computational algorithms, and research focus. There has been a considerable rise over the past 5 years in the number of research papers using ML-based analysis for AD dementia modeling. We reviewed 64 relevant articles in our SLR. The results suggest that majority of existing research has focused on predicting progression of AD dementia using publicly available datasets containing both neuroimaging and clinical data (neurobehavioral status exam scores, patient demographics, neuroimaging data, and laboratory test values). Identifying individuals at risk for progression of AD dementia could potentially help to personalize disease management to plan future care. Clinical data consisting of both structured data tables and clinical notes can be effectively used in ML-based approaches to model risk for AD dementia progression. Data sharing and reproducibility of results can enhance the impact, adaptation, and generalizability of this research.
登录
查看更多内容
影响因子：
4.5
作者：
An, Ning;Ding, Huitong;Yang, Jiaoyun;Au, Rhoda;Ang, Ting F. A.
通讯作者：
Ang, Ting F. A.
影响因子：
168.9
作者：
Ballard, Clive;Gauthier, Serge;Jones, Emma
通讯作者：
Jones, Emma
时间轨迹和进程得分估计来自体素纵向成像测度：应用于淀粉样蛋白成像。
DOI：
10.1007/978-3-319-19992-4_33
发表时间：
2015
期刊：
Information processing in medical imaging : proceedings of the ... conference
影响因子：
--
作者：
Bilgel M;Jedynak B;Wong DF;Resnick SM;Prince JL
通讯作者：
Prince JL
DOI：
10.1016/j.dadm.2018.06.007
发表时间：
2018-01-01
期刊：
Alzheimer's & dementia (Amsterdam, Netherlands)
影响因子：
--
作者：
Goyal, Devendra;Tjandra, Donna;Wiens, Jenna
通讯作者：
Wiens, Jenna
影响因子：
3.3
作者：
Fulton, Lawrence, V;Dolezel, Diane;Fulton, Christopher P.
通讯作者：
Fulton, Christopher P.