RSS-Feed abonnieren
DOI: 10.1055/s-0037-1682178
Anwendung eines Algorithmus für maschinelles Lernen zur explorativen Bestimmung extrakranieller Determinanten des Volumens der grauen Hirnsubstanz in der KORA-MRT-Studie
Publikationsverlauf
Publikationsdatum:
27. März 2019 (online)
Zielsetzung:
Ziel dieser explorativen, datengetriebenen Studie war die Identifikation potenzieller extrakranieller Determinanten des Volumens der grauen Hirnsubstanz (GSV) mithilfe eines Algorithmus für maschinelles Lernen.
Material und Methoden:
Im Rahmen der prospektiven Kohortenstudie „Kooperative Gesundheitsforschung in der Region Augsburg“ (KORA FF4) wurden 58 extrakranielle Variablen standardisiert erfasst und das GSV (ratio-korrigiert für intrakranielles Volumen) anhand von MRT-Aufnahmen (3T, FLAIR) ermittelt. Zur Bestimmung der wichtigsten extrakraniellen Faktoren des GSV wurde ein elastisches Netz, ein Algorithmus für maschinelles Lernen, anhand von 1000 Splits trainiert und validiert.
Ergebnisse:
293 Teilnehmer (59% männlich, 55.4 ± 9.1 Jahre, Mittelwert des ratio-korrigierten GSV 20.5%± 1.3) wurden in die Analyse mit einbezogen. 11.9% waren Probanden mit Diabetes mellitus Typ 2, 23.2% Menschen mit Prädiabetes und 64.8% wiesen normoglykäme Werte auf. Die folgenden 4 extrakraniellen Variablen wurden als die wichtigsten Determinanten des GSV ermittelt: Alter (1000/1000 Splits), glomeruläre Filtrationsrate (794 Splits), Typ2 Diabetes (323 Splits) und Diabetesdauer (122 Splits). Das GSV war bei Probanden mit Diabetes im Vergleich zu Probanden mit Normoglykämie signifikant niedriger (19.7 ± 1.6 vs. 20.6 ± 1.2, p < 0.001). Je länger der Diabetes vorlag, umso niedriger war das GSV (r =-0.15, p = 0.009). Das elastische Netz wies im Vergleich zu einer konstanten linearen Regression eine bessere Prädiktion auf (mittlere quadratische Abweichung = 1.10 vs. 1.59, p < 0.001).
Schlussfolgerungen:
Die Anwendung eines elastischen Netzes als datengetriebener Algorithmus für maschinelles Lernen erlaubt die Identifikation von extrakraniellen Determinanten von GSV und ermöglicht Aussagen über deren relative Wichtigkeit. Die Ergebnisse verdeutlichen die Bedeutung der Erfassung von extrakraniellen Variablen wie Diabetesstatus vor dem Einschluss von Probanden in radiologische Studien.