Mining relationships between multi-modal data to characterize Alzheimer’s disease manifestation

Abstract

La heterogeneidad en la manifestación clínica del deterioro cognitivo leve (MCI, por sus siglas en inglés) plantea un desafío significativo. Una caracterización integral de la enfermedad de Alzheimer (AD, por sus siglas en inglés) en esta etapa temprana permite la detección oportuna, la predicción de la progresión de la enfermedad y, en consecuencia, la intervención y el monitoreo antes del diagnóstico clínico de demencia. Presentamos una estrategia cuantitativa para caracterizar alteraciones neuropsicológicas en pacientes con MCI en riesgo de desarrollar demencia por AD, utilizando datos de Alzheimer’s Disease Neuroimaging Initiative (ADNI). Un conjunto de variables de pruebas cognitivas, funcionales y conductuales fue seleccionado de una muestra de pacientes con deterioro cognitivo. El análisis del rendimiento anormal y el uso de métricas relacionales nos permitieron identificar cinco grupos de elementos que podrían representar posibles dimensiones neuropsicológicas de la enfermedad y que podrían utilizarse para describir cuantitativamente a un individuo con deterioro cognitivo. Estas características están representadas por diferentes dominios cognitivos y funcionales: 1) Praxis constructiva, 2) Orientación, Memoria y tareas de la vida diaria, 3) Lenguaje, 4) Atención, y 5) Tareas de velocidad de procesamiento y funciones ejecutivas. La proporción de variables exhibidas dentro de cada característica cuantifica la anormalidad neuropsicológica. La utilidad de la caracterización propuesta fue evaluada mediante dos tareas. En primer lugar, prediciendo la progresión de la enfermedad desde la MCI hasta la demencia de Alzheimer. Entrenamos y probamos un Clasificador de Máquina de Vectores de Soporte, logrando una precisión del 0,76 dentro de los 36 meses. En segundo lugar, identificando subgrupos de MCI que exhibieron perfiles neuropsicológicos diversos y diferentes patrones de atrofia de materia gris. Individuos diagnosticados con MCI fueron divididos en siete subgrupos. Al comparar con individuos cognitivamente normales, el análisis utilizando Morfometría Basada en Vóxeles reveló regiones cerebrales específicas con diferencias significativas. Observamos una estrecha co-ocurrencia entre los deterioros cognitivos y los cambios estructurales. A medida que aumentaban las anormalidades cognitivas y conductuales, estas se asociaban con patrones más extensos de atrofia de materia gris. Este trabajo ofrece un enfoque alternativo para caracterizar cuantitativamente los subtipos de MCI y comprender los patrones neurodegenerativos, proporcionando información valiosa para una mejor caracterización en la etapa prodrómica de la enfermedad de Alzheimer. (Texto tomado de la fuente)

The heterogeneity in the clinical manifestation of Mild Cognitive Impairment (MCI) poses a significant challenge. A comprehensive characterization of Alzheimer’s Disease (AD) in this early stage allows for timely detection, prediction of disease progression, and, consequently, intervention and monitoring before clinical diagnosis of dementia. We present a quantitative strategy to characterize neuropsychological alterations in MCI patients at risk of developing AD dementia using data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI). A set of items from cognitive, functional, and behavioral tests was selected from a sample of cognitively impaired patients. The analysis of abnormal performance and the use of relational metrics allowed us to identify five clusters of items that could represent possible neuropsychological dimensions and could be used to quantitatively describe a cognitively impaired individual. These characteristics are represented by different cognitive and functional domains: 1) constructional praxis; 2) orientation, memory, and daily living tasks; 3) language; 4) attention; and 5) processing speed tasks and executive functions. The proportion of variables exhibited within each characteristic quantifies the neuropsychological abnormality. The utility of the proposed characterization was evaluated by two tasks. Firstly, predicting disease progression from MCI to AD dementia. We trained and tested a Support Vector Machine Classifier, achieving an accuracy of 0.76 within 36 months. Secondly, identifying MCI subgroups that exhibit diverse neuropsychological profiles and different patterns of gray matter atrophy. Individuals diagnosed with MCI were partitioned into seven subgroups. Upon comparison with cognitively normal individuals, the analysis using Voxel-Based Morphometry revealed specific brain regions with significant differences. We observed a close co-occurrence between cognitive impairments and structural changes. As cognitive and behavioral abnormalities increased, they were associated with more extensive patterns of gray matter atrophy. This work offers an alternative approach to quantitatively characterize MCI subtypes and comprehend neurodegenerative patterns, providing valuable insights for enhanced characterization in the prodromal stage of Alzheimer’s Disease.