Potenziali predittori di deterioramento cognitivo nella demenza vascolare: un'analisi con Machine Learning.

Abstract

Introduzione e scopo dello studio: La demenza è una diagnosi sempre più comune nella popolazione anziana e si prevede che i numeri aumenteranno in modo esponenziale nei prossimi anni. La demenza vascolare (VD è un termine generico utilizzato per identificare l’ampio spettro di cambiamenti cognitivi e comportamentali associati alla patologia vascolare cerebrale: si distingue infatti dalle altre forme di demenza per la presenza di ischemia cerebrale. Trattandosi di una malattia degenerativa, la diagnosi spesso arriva troppo tardi, quando il tessuto cerebrale è già danneggiato. Pertanto, la prevenzione è la migliore soluzione per evitare il deterioramento cognitivo irreversibile nei pazienti con specifici fattori di rischio .

Materiali e Metodi: Utilizzando l'approccio del machine learning (ML), questo studio ha valutato i cambiamenti del Mini-Mental State Examination (MMSE) nei pazienti affetti da demenza vascolare considerando diversi parametri clinici, inclusa la valutazione di vari modelli ML (LASSO, RIDGE, Elastic Net, CART, Random Forest) per la previsione del risultato (ovvero, la modifica MMSE nel tempo).

Risultati: MMSE al reclutamento, acido folico, MCV, PTH, creatinina, vitamina B12, TSH ed emoglobina sono stati i migliori parametri predittivi individuati dal miglior modello ML: Random Forest. I risultati del ML possono essere utili per identificare precocemente biomarcatori predittivi per il peggioramento cognitivo nella VD e anche per concentrarsi sugli esami necessari alle prime visite per tracciare le caratteristiche più predittive. L’attività preventiva di correzione dei deficit presi in esame potrebbe supportare l'efficacia del trattamento e portare a una migliore qualità della vita per pazienti, famiglie e caregiver, con un impatto consistente sul carico dei sistemi sanitari nazionali .

Vascular dementia (VD) is a cognitive impairment typical of advanced age with vascular etiology. It results from several vascular micro-accidents involving brain vessels carrying less oxygen and nutrients than it needs. This being a degenerative disease, the diagnosis often arrives too late, when the brain tissue is already damaged. Thus, prevention is the best solution to avoid irreversible cognitive impairment in patients with specific risk factors. Using the machine learning (ML) approach, our group evaluated Mini-Mental State Examination (MMSE) changes in patients affected by Alzheimer’s disease by considering different clinical parameters. We decided to apply a similar ML scheme to VD due to the consistent data obtained from the first work, including the assessment of various ML models (LASSO, RIDGE, Elastic Net, CART, Random Forest) for the outcome prediction (i.e., the MMSE modification throughout time). MMSE at recruitment, folate, MCV, PTH, creatinine, vitamin B12, TSH, and hemoglobinwere the best predictive parameters individuated by the best ML model: Random Forest. ML results can be useful inidentify predictive biomarkers for cognitive worsening in VD early and also for focusing on necessary examinations at the first visits to draw the most predictive features, saving time and money and reducethe burden on the patients themselves. Such results should be integrated with brain imaging, physiological signal measurements, and sensory patterns, particularly forthose senses already demonstrated to have a significant link with neurodegeneration. Adjusting compound deficit by administering nutraceuticals could support treatment effectiveness and lead to a better quality of life for patients, families, and caregivers, with a consistent impact on the national health systems load.