Ключевые результаты
Учёные разработали и провалидировали модель для раннего скрининга умеренных когнитивных нарушений (MCI) путём интеграции данных функциональной ближней инфракрасной спектроскопии (fNIRS), собранных в состоянии покоя и при выполнении задачи 1-back, с применением ансамблевых методов машинного обучения.
Интегрированная модель нейронных сетей, использующая данные из обеих парадигм, продемонстрировала высокие диагностические показатели:
- Точность: 86,49%
- Чувствительность: 94,74%
- Специфичность: 77,78%
- Площадь под кривой (AUC): 93,49%
Эти результаты значительно превосходят модели, основанные на данных только одной парадигмы исследования, что подтверждает преимущество интегрированного подхода для ранней диагностики MCI.
Методология
В исследовании приняли участие 462 праворуких добровольца в возрасте от 58 до 87 лет, включая 185 пациентов с MCI и 277 здоровых участников контрольной группы. Диагноз MCI устанавливался двумя опытными неврологами на основе критериев Петерсена.
Протокол исследования включал:
- Сбор fNIRS-сигналов в состоянии покоя
- Регистрацию fNIRS-сигналов при выполнении когнитивной задачи 1-back
- Предварительную обработку данных в MATLAB
- Извлечение признаков из сигналов оксигенированного гемоглобина (HbO) для обеих парадигм
Для отбора признаков исследователи применили классификатор градиентного бустинга на основе показателей важности признаков, что позволило выделить 108 наиболее информативных параметров. Оценка моделей проводилась с использованием 10-кратной перекрестной проверки.
Клиническое значение
Раннее и точное выявление умеренных когнитивных нарушений критически важно для своевременного вмешательства и предотвращения дальнейшего когнитивного снижения. Функциональная ближняя инфракрасная спектроскопия представляет собой неинвазивный, портативный инструмент для клинического скрининга, который может применяться в широкой практике.
Предложенный в исследовании подход имеет несколько клинических преимуществ:
- Повышенная диагностическая точность по сравнению с использованием только одной парадигмы исследования
- Сравнимая эффективность с традиционными методами скрининга (оценка по шкале MoCA показала точность 86,55%)
- Потенциал для интеграции в существующие клинические протоколы диагностики когнитивных нарушений
- Возможность более раннего выявления пациентов с риском прогрессирования до деменции
Выводы
Данное исследование демонстрирует ценность крупномасштабного, управляемого данными подхода и интеграции признаков из нескольких парадигм для скрининга MCI на основе fNIRS. Полученные результаты подтверждают, что объединение данных из состояния покоя и когнитивной задачи 1-back существенно повышает диагностическую точность.
Модель, разработанная в этом исследовании, представляет собой эффективный диагностический инструмент для клинического применения, который может быть особенно полезен в амбулаторных условиях и для массового скрининга когнитивных нарушений у пожилых людей.
Исследование зарегистрировано в клиническом реестре (https://www.chictr.org.cn/showprojEN.html?proj=192047), что подтверждает его соответствие стандартам проведения клинических исследований.