Assessing the significance of longitudinal data in Alzheimer’s Disease forecasting

要約

この研究では、トランス エンコーダー モデルを使用して、アルツハイマー病 (AD) の進行を予測するための長期的な患者データの重要性を特徴付けます。
私たちのモデルであるアルツハイマー病長期予測モデル (LongForMAD) は、多峰性データを組み込んだ一連の患者の来院に埋め込まれた包括的な時間情報を活用し、単回の来院データだけから導き出すよりも病気の進行についてのより深い理解を提供します。
我々は、5年間の追跡期間にわたる、認知正常（CN）と軽度認知障害（MCI）の2つの患者グループにわたる実証分析を提示する。
私たちの研究結果は、より広範囲の患者病歴を組み込んだモデルが、現在の情報のみに依存するモデルよりも優れたパフォーマンスを発揮できることを明らかにしており、将来のアルツハイマー病進行の予測精度を高めるには、より深い歴史的背景が重要であることを示唆しています。
私たちの結果は、AD の早期発見とモニタリングを強化するために臨床現場に縦断的データを組み込むことを裏付けています。
私たちのコードは \url{https://github.com/batuhankmkaraman/LongForMAD} で入手できます。

要約(オリジナル)

In this study, we employ a transformer encoder model to characterize the significance of longitudinal patient data for forecasting the progression of Alzheimer’s Disease (AD). Our model, Longitudinal Forecasting Model for Alzheimer’s Disease (LongForMAD), harnesses the comprehensive temporal information embedded in sequences of patient visits that incorporate multimodal data, providing a deeper understanding of disease progression than can be drawn from single-visit data alone. We present an empirical analysis across two patient groups-Cognitively Normal (CN) and Mild Cognitive Impairment (MCI)-over a span of five follow-up years. Our findings reveal that models incorporating more extended patient histories can outperform those relying solely on present information, suggesting a deeper historical context is critical in enhancing predictive accuracy for future AD progression. Our results support the incorporation of longitudinal data in clinical settings to enhance the early detection and monitoring of AD. Our code is available at \url{https://github.com/batuhankmkaraman/LongForMAD}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google