Logotipo del repositorio
 

Multi-feature computational framework for combined signatures of dementia in underrepresented settings

Vista sencilla de ítem
dc.contributor.authorMoguilner, Sebastian
dc.contributor.authorBirba, Agustina
dc.contributor.authorFittipaldi, Sol
dc.contributor.authorGonzalez-Campo, Cecilia
dc.contributor.authorTagliazucchi, Enzo
dc.contributor.authorReyes, Pablo
dc.contributor.authorMatallana, Diana
dc.contributor.authorParra, Mario A
dc.contributor.authorSlachevsky, Andrea
dc.contributor.authorFarías, Gonzalo
dc.contributor.authorMatallana, Diana
dc.contributor.corporatenamePontificia Universidad Javeriana. Facultad de Medicina. Instituto de Envejecimientospa
dc.contributor.javerianateacherMatallana, Diana
dc.contributor.javerianateacherReyes, Pablo
dc.date.accessioned2023-03-17T18:51:06Z
dc.date.available2023-03-17T18:51:06Z
dc.date.created2022-08-25
dc.description.abstractObjetivo. El diagnóstico diferencial de la variante conductual de la demencia frontotemporal (bvFTD) y La enfermedad de Alzheimer (EA) sigue siendo un desafío en grupos subrepresentados y subdiagnosticados, incluidos los latinos, ya que los biomarcadores avanzados rara vez están disponibles. Directrices recientes para el estudio de demencia destacan el papel fundamental de los biomarcadores. Por lo tanto, nuevos complementarios rentables Se requieren enfoques en entornos clínicos. Acercarse. Desarrollamos un marco novedoso basado en un clasificador de aprendizaje automático que aumenta el gradiente, ajustado por la optimización bayesiana, en una función múltiple enfoque multimodal (que combina imágenes demográficas, neuropsicológicas y de resonancia magnética) (IRM) y electroencefalografía/datos de conectividad de IRM funcional) para caracterizar neurodegeneración utilizando la armonización del sitio y la selección de características secuenciales. Evaluamos 54 DFTvc y 76 pacientes con EA y 152 controles sanos (HC) de un consorcio latinoamericano (ReDLat). Resultados principales. El modelo multimodal arrojó una alta clasificación de área bajo la curva (pacientes con DFTvc frente a HC: 0,93 (±0,01); pacientes con EA frente a HC: 0,95 (±0,01); DFTvv frente a EA pacientes: 0,92 (±0,01)). El enfoque de selección de características filtró con éxito información no informativa marcadores multimodales (de miles a decenas). Resultados. Probado robusto contra multimodal heterogeneidad, variabilidad sociodemográfica y datos faltantes. Significado. El modelo con precisión subtipos de demencia identificados utilizando medidas fácilmente disponibles en entornos subrepresentados, con un rendimiento similar al de los biomarcadores avanzados. Este enfoque, si se confirma y replica, puede complementar potencialmente las evaluaciones clínicas en los países en desarrollo.spa
dc.description.abstractenglishAbstract Objective. The differential diagnosis of behavioral variant frontotemporal dementia (bvFTD) and Alzheimer’s disease (AD) remains challenging in underrepresented, underdiagnosed groups, including Latinos, as advanced biomarkers are rarely available. Recent guidelines for the study of dementia highlight the critical role of biomarkers. Thus, novel cost-effective complementary approaches are required in clinical settings. Approach. We developed a novel framework based on a gradient boosting machine learning classifier, tuned by Bayesian optimization, on a multi-feature multimodal approach (combining demographic, neuropsychological, magnetic resonance imaging (MRI), and electroencephalography/functional MRI connectivity data) to characterize neurodegeneration using site harmonization and sequential feature selection. We assessed 54 bvFTD and 76 AD patients and 152 healthy controls (HCs) from a Latin American consortium (ReDLat). Main results. The multimodal model yielded high area under the curve classification values (bvFTD patients vs HCs: 0.93 (±0.01); AD patients vs HCs: 0.95 (±0.01); bvFTD vs AD patients: 0.92 (±0.01)). The feature selection approach successfully filtered non-informative multimodal markers (from thousands to dozens). Results. Proved robust against multimodal heterogeneity, sociodemographic variability, and missing data. Significance. The model accurately identified dementia subtypes using measures readily available in underrepresented settings, with a similar performance than advanced biomarkers. This approach, if confirmed and replicated, may potentially complement clinical assessments in developing countries.spa
dc.description.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000055000spa
dc.description.esciSispa
dc.description.googlescholarhttps://scholar.google.com/citations?hl=es&user=kaGongoAAAAJ&view_op=list_works&sortby=pubdatespa
dc.description.indexingRevista Internacional - Indexadaspa
dc.description.orcidhttps://orcid.org/0000-0001-6529-7077spa
dc.description.quartilescopusQ1spa
dc.description.quartilewosQ1spa
dc.formatPDFspa
dc.format.mimetypeapplication/pdfspa
dc.identifierhttps://iopscience.iop.org/journal/1741-2552spa
dc.identifier.doihttps://doi.org/10.1088/1741-2552/ac87d0spa
dc.identifier.instnameinstname:Pontificia Universidad Javerianaspa
dc.identifier.issn1741-2552spa
dc.identifier.reponamereponame:Repositorio Institucional - Pontificia Universidad Javerianaspa
dc.identifier.repourlrepourl:https://repository.javeriana.edu.cospa
dc.identifier.urihttp://hdl.handle.net/10554/63856
dc.language.isoengspa
dc.relation.citationendpage18spa
dc.relation.citationissue4spa
dc.relation.citationstartpage1spa
dc.relation.citationvolume19spa
dc.relation.ispartofjournalJournal of Neural Engineeringspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenceAtribución-NoComercial 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/*
dc.subjectneuroimagen multimodalspa
dc.subjectneurodegeneraciónspa
dc.subjectarmonizaciónspa
dc.subjectselección de característicasspa
dc.subjectaprendizaje automáticospa
dc.subject.keywordMultimodal neuroimagingspa
dc.subject.keywordneurodegenerationspa
dc.subject.keywordharmonizationspa
dc.subject.keywordfeature selectionspa
dc.subject.keywordmachine learningspa
dc.titleMulti-feature computational framework for combined signatures of dementia in underrepresented settingsspa
dc.title.englishMulti-feature computational framework for combined signatures of dementia in underrepresented settingsspa
dc.type.coarhttp://purl.org/coar/resource_type/c_2df8fbb1spa
dc.type.hasversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.localArtículo de revistaspa

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Multi-feature.pdf
Tamaño:
2.21 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.54 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Artículos