Classification of the evolutionary trajectories of cognitive functions - Archive ouverte HAL Accéder directement au contenu
Poster De Conférence Année : 2019

Classification of the evolutionary trajectories of cognitive functions

Classification de trajectoires d'évolution des fonctions cognitives

Résumé

Introduction While demographic aging is inevitable, preventive approaches may prove effective against the cognitive functions decline and Alzheimer's disease. Prevention trials implemented to slow down the decline in cognitive functions with age have yielded unconvincing results. The aim of our work was to cluster cognitive evolution profiles in the context of Alzheimer's disease prevention trials. Material and Methods The Multidomain Alzheimer Preventive Trial has been presented in [1]. The primary endpoint of this trial was a composite Z-score combining 4 cognitive tests. Data were collected longitudinally. To complete the primary analysis, we used 3 methods : 1°) the k-means for longitudinal data (kml), a method of clustering trajectories without distribution hypothesis. The aim is to divide the population into k homogeneous subgroups in terms of trajectories shape regardless of time. A kml extension allows clustering trajectories according to the shape of them [2], so this should lead to unstationary and homogeneous groups (outputs not shown). 2°) the hierarchical cluster analysis (HCA) [3] which is unsupervised and not required specifying the number of groups. We calculated rates of change between each visit for the composite Z-score to to refer to non-longitudinal data and apply the HCA. The aim is to create homogeneous subgroups with the most similar individuals (intra-class homogeneity) and well-defined groups (inter-class heterogeneity). 3°) the seriation which consisted in transforming and optimally reordering a data matrix in order to bring to light, via shades of colors [4], a structure of the data. We apply this method on same rates of change as HCA. Only lines were swapped to keep the measurements’ chronology and we restricted us to three colors to caricaturize information. The objective is to have even more homogeneous groups than with the previous methods. Results All the methods described were tested on the MAPT data set, on complete follow-up (1143 subjects). We identified stationary profiles: with HCA in the first group (containing 93% of subjects, see Figure 1), with seriation in 12-36 months. We also observed evaluative profiles (seriation in 0-12 months) and all other groups with HCA (Fig.1). Groups' characteristics for each method were not statistically different, except for two baseline cognitive tests with seriation: Trail Making Test (p < 0.01) and Mini Mental Status Examination (p = 0.03) in the sense that constant group had the best average score (28.33 points). Discussion/Conclusion Exploratory methods, not widely mobilized in the biomedical field, were applied to cluster cognitive evolution profiles. The results led to observations that were difficult to interpret clinically. We conclude that, in prevention trial, population remains cognitively constant during the first three years. In addition, information provided is complex. Another approach as hidden Markov model must be considered for future. References 1. ANDRIEU, Sandrine, GUYONNET, Sophie, COLEY, Nicola, et al.Effect of long-term omega 3 polyunsaturated fatty acid supplementation with or without multidomain intervention on cognitive function in elderly adults with memory complaints (MAPT): a randomised, placebo-controlled trial. The Lancet Neurology, 2017, vol. 16, no 5, p. 377-389. 2. GENOLINI, Christophe, ECOCHARD, René, BENGHEZAL, Mamoun, et al. kmlShape: An efficient method to cluster longitudinal data (Time-Series) according to their shapes. Plos one, 2016, vol. 11, no 6, p. e0150738. 3. ALLAM, Apparao, GUMPENY, R. Sridhar, et al. Analyzing microarray data of Alzheimer's using cluster analysis to identify the biomarker genes. International journal of Alzheimer’s disease, 2012, vol. 2012 4. HAHSLER, Michael et HORNIK, Kurt. Dissimilarity plots: A visual exploration tool for partitional clustering. Journal of Computational and Graphical Statistics, 2011, vol. 20, no 2, p. 335-354.
Introduction Alors que le vieillissement démographique est inévitable, des approches préventives pourraient s'avérer efficaces contre le déclin des fonctions cognitives et la maladie d'Alzheimer. Les essais de prévention mis en œuvre pour ralentir le déclin des fonctions cognitives avec l'âge ont donné des résultats peu convaincants. Le but de notre travail était de regrouper les profils d'évolution cognitive dans le contexte des essais de prévention de la maladie d'Alzheimer. Matériel et méthodes L'essai multidomaine de prévention de la maladie d'Alzheimer a été présenté dans [1]. Le critère d'évaluation principal de cet essai était un score Z composite combinant 4 tests cognitifs. Les données ont été collectées de manière longitudinale. Pour compléter l'analyse primaire, nous avons utilisé 3 méthodes : 1°) le k-means for longitudinal data (kml), une méthode de clustering des trajectoires sans hypothèse de distribution. L'objectif est de diviser la population en k sous-groupes homogènes du point de vue de la forme des trajectoires indépendamment du temps. Une extension de kml permet de regrouper les trajectoires en fonction de leur forme [2], ce qui devrait conduire à des groupes non stationnaires et homogènes (sorties non montrées). 2°) l'analyse hiérarchique des clusters (HCA) [3] qui est non supervisée et ne nécessite pas de spécifier le nombre de groupes. Nous avons calculé les taux de changement entre chaque visite pour le score Z composite afin de nous référer à des données non longitudinales et d'appliquer l'HCA. L'objectif est de créer des sous-groupes homogènes avec les individus les plus similaires (homogénéité intra-classe) et des groupes bien définis (hétérogénéité inter-classe). 3°) la sériation qui consiste à transformer et à réordonner de façon optimale une matrice de données afin de mettre en évidence, via des nuances de couleurs [4], une structure des données. Nous appliquons cette méthode aux mêmes taux de changement que l'ACS. Seules les lignes ont été permutées pour conserver la chronologie des mesures et nous nous sommes limités à trois couleurs pour caricaturer l'information. L'objectif est d'obtenir des groupes encore plus homogènes qu'avec la méthode précédente. Résultats Toutes les méthodes décrites ont été testées sur l'ensemble des données MAPT, sur un suivi complet (1143 sujets). Nous avons identifié des profils stationnaires : avec HCA dans le premier groupe (contenant 93% des sujets, voir Figure 1), avec une sériation dans les 12-36 mois. Nous avons également observé des profils évaluatifs (sériation en 0-12 mois) et tous les autres groupes avec HCA (Fig.1). Les caractéristiques des groupes pour chaque méthode n'étaient pas statistiquement différentes, à l'exception de deux tests cognitifs de base avec sériation : Trail Making Test (p < 0,01) et Mini Mental Status Examination (p = 0,03) dans le sens où le groupe constant avait le meilleur score moyen (28,33 points). Discussion/Conclusion Des méthodes exploratoires, peu mobilisées dans le domaine biomédical, ont été appliquées pour regrouper des profils d'évolution cognitive. Les résultats ont conduit à des observations difficiles à interpréter cliniquement. Nous concluons que, dans les essais de prévention, la population reste cognitivement constante au cours des trois premières années. En outre, les informations fournies sont complexes. Une autre approche, comme le modèle de Markov caché, doit être envisagée à l'avenir. References 1. ANDRIEU, Sandrine, GUYONNET, Sophie, COLEY, Nicola, et al.Effect of long-term omega 3 polyunsaturated fatty acid supplementation with or without multidomain intervention on cognitive function in elderly adults with memory complaints (MAPT): a randomised, placebo-controlled trial. The Lancet Neurology, 2017, vol. 16, no 5, p. 377-389. 2. GENOLINI, Christophe, ECOCHARD, René, BENGHEZAL, Mamoun, et al. kmlShape: An efficient method to cluster longitudinal data (Time-Series) according to their shapes. Plos one, 2016, vol. 11, no 6, p. e0150738. 3. ALLAM, Apparao, GUMPENY, R. Sridhar, et al. Analyzing microarray data of Alzheimer's using cluster analysis to identify the biomarker genes. International journal of Alzheimer’s disease, 2012, vol. 2012 4. HAHSLER, Michael et HORNIK, Kurt. Dissimilarity plots: A visual exploration tool for partitional clustering. Journal of Computational and Graphical Statistics, 2011, vol. 20, no 2, p. 335-354.
Fichier principal
Vignette du fichier
Poster_JOBIM_v6.pdf (841.28 Ko) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04315774 , version 1 (30-11-2023)

Identifiants

  • HAL Id : hal-04315774 , version 1

Citer

Céline Bougel, Sébastien Déjean, Caroline Giulioli, Philippe Saint-Pierre, Nicolas Savy, et al.. Classification of the evolutionary trajectories of cognitive functions. Journées Ouvertes Biologie, Informatique et Mathématiques (JOBIM), Jul 2019, Nantes (44000), France. ⟨hal-04315774⟩
21 Consultations
11 Téléchargements

Partager

Gmail Facebook X LinkedIn More