Multiblock-model analysis of multi-source Alzheimer’s disease data

Abstract

Alzheimer’s Disease (AD) is the most common cause of dementia in the world. It is a disorder that causes brain cells to degenerate and eventually dies, which causes a continuous decline in memory, cognitive abilities and social skills. As the disease develops, a person’s ability to function and carry out daily tasks will eventually be impossible. There are currently no treatments that cure AD, making people affected by this disease dependent on others for assistance. Detecting AD in the early stages will help slow down the disease’s development and improve life quality for people affected. Early initiatives will allow patients to live with fewer health problems for a more extended period by changing their lifestyle. This Master’s thesis explored the usefulness of applying machine learning methods and data analytics to detect important risk factors for AD. Methods such as Partial Least Squares (PLS), Principal Component Analysis (PCA), feature importance permutation, and Sequential and Orthogonalized PLS (SO-PLS) were utilized to find relevant features and their importance. The measurement for AD was cerebrospinal fluid amyloid-beta (CSF betaA) in the spinal fluid and was used as the target with the supervised method used in this thesis.

Alzheimers sykdom (AD) er den vanligste årsaken til demens i verden. Det er en lidelse som gjør at hjerneceller degenererer og til slutt dør, noe som fører til en kontinuerlig fall i hukommelse, kognitive evner og sosiale ferdigheter. Etter hvert som sykdommen utvikler seg, vil en persons evne til å fungere og utføre daglige oppgaver til slutt være umulig. Det er ingen behandlinger som kurerer AD, noe som gjør at folk som er rammet av sykdommen er avhengige av andre for hjelp. Ved å oppdage AD i tidlig stadium kan man bidra til å bremse utviklingen av sykdommen og forbedre livskvaliteten for de berørte. Tidlige tiltak vil gi pasienter en mulighet til å leve med mindre helseplager i en lengre periode ved livsstilsendringer. Denne masteroppgaven utforsket nytten av å anvende maskinlæringsmetoder og dataanalyse til å oppdage viktige risikofaktorer for AD. Metoder som Partial Least Squares (PLS), Principal Component Analysis (PCA), feature importance permutation, og Sequential and Orthogonalized PLS (SO-PLS) ble brukt for å finne relevante funksjoner og deres betydning. Målingen av AD var cerebrospinalvæske amyloid-beta (CSF betaA) i ryggmargsvæsken.