Het is voor behandeling en medicijnonderzoek van belang om goede biomarkers te vinden voor de ziekte van Alzheimer. Atrofie op structurele MRI scans is zo een biomarker. Functionele connectiviteit ...Show moreHet is voor behandeling en medicijnonderzoek van belang om goede biomarkers te vinden voor de ziekte van Alzheimer. Atrofie op structurele MRI scans is zo een biomarker. Functionele connectiviteit (FC) van het Default Mode Network (DMN) via functionele MRI scans kan echter een vroeger waarneembare biomarker zijn. Deze studie heeft dit onderzocht met als hypothesen dat fMRI beter alzheimer kan classificeren dan sMRI in een vroeg stadium, en dat sMRI beter kan classificeren dan fMRI in een laat stadium van alzheimer. Hiervoor is een classificatieanalyse gedaan met als maten voor de structurele MRI: subcorticale volumes, corticale dikte en grijze stof dichtheid (130 predictoren); voor de functionele MRI: functionele connectiviteit van het DMN met 19 andere resting state netwerken, gedefinieerd aan de hand van een Independent Components Analysis (19 predictoren). De classificatieanalyse is gedaan voor zes modellen, waarvan drie voor vroeg stadium en drie voor laat stadium alzheimer. Voor beide stadia zitten in het eerste model de sMRI maten, in het tweede de fMRI maten en in het derde allebei de MRI maten gecombineerd. De steekproef bevatte 249 participanten, waarvan 173 controles en 76 alzheimerpatiënten. De alzheimerpatiënten zijn opgedeeld in vroeg en laat stadium op basis van alzheimerduur en MMSE score en bestond respectievelijk uit 39 en 37 participanten. Uit de resultaten blijkt dat functionele MRI op zichzelf voor zowel vroeg als laat stadium (AUC resp. = 0.46 en 0.71) slechter classificeert dan structurele MRI (AUC resp. = 0.84 en 0.89). Hiermee is de eerste hypothese verworpen en de tweede bevestigd. Opvallend was wel dat het model met zowel structurele als functionele MRI maten beter classificeerde dan structurele MRI op zichzelf voor vroeg stadium data (AUC resp. = 0.86 en 0.84). Hoewel het een kleine verbetering is, suggereert dit wellicht dat FC iets toe kan voegen aan een gecombineerd classificatiemodel voor vroeg stadium alzheimer.Show less
Deze bachelor scriptie onderzocht of het mogelijk was om een model met een kleiner aantal voorspellers te maken voor het classificeren van Alzheimer aan de hand van atrofiematen berekend met behulp...Show moreDeze bachelor scriptie onderzocht of het mogelijk was om een model met een kleiner aantal voorspellers te maken voor het classificeren van Alzheimer aan de hand van atrofiematen berekend met behulp van MRI-scans. Er is gebruikgemaakt van voorspellers uit drie datasets en er werd gekeken naar welke voorspellers daarvan in het model zouden komen. De gestelde hypothesen waren als volgt: 1) het is mogelijk om een simpeler model te maken met dezelfde of zelfs hogere accuratesse en 2) de hippocampus is een van de voorspellers in beide modellen. Er werd gewerkt met een LASSO logistische regressie met een strengere en een minder strenge penalty. Door de penalty’s werden minder relevante voorspellers buiten het model gehouden. Uit de resultaten bleek dat het model met 21 voorspellers een accuratesse had van AUC=0.92. Het simpelere model met slechts 8 voorspellers had een accuratesse van AUC=0.91. Hiermee kon de eerste hypothese niet bevestigd worden. De tweede hypothese werd wel bevestigd, aangezien bij beide modellen de hippocampus deel uitmaakte van de voorspellers. Ondanks dat het simpelere model minder accuraat bleek te zijn dan het complexere model, was het verschil tussen beide accuratessewaardes erg klein. Daarbij telde het simpelere model slechts 8 voorspellers in tegenstelling tot 21. Dit simpelere model zou voordelig kunnen zijn voor verder onderzoek naar classificatie van Alzheimer, omdat er hiermee minder atrofiematen berekend hoeven worden. Dit is gunstig omdat de diagnose van Alzheimer sneller kan worden gesteld, de benodigde hulp sneller kan worden verleend en overbodige kosten zo worden vermeden.Show less
