Time Series Analysis of Biomarkers of Progression in Neurodegenerative Diseases

Abstract

Neurodegenerative diseases are complex and highly time-dependent diseases. Among them, the most common is Alzheimer’s Disease (AD), in which the patient goes through a series of symptomatic stages before receiving the diagnosis of dementia caused by AD. Due to its temporal characteristics, it is necessary to study the biomarkers associated with the AD from a time series point of view. In this work, we have exhaustively explored the biomarkers found on the Alzheimer’s Disease Neuroimaging Initiative (ADNI) cohort applying a wide array of clustering algorithms both temporal and non-temporal. These models were applied to several biomarker datasets: implying one biomarker only, combining them in pairs as well as making use of the MRI regions. The results obtained with these dataset types were evaluated using a computational and a clinical standpoint, where the latter corresponded very clearly with its expected outcomes. Results show that from a computational perspective, non-temporal models generally obtain greater outcomes than temporal models. Moreover, datasets combining biomarkers with similar properties also increase the resulting score. Contrarily, from a clinical standpoint, the outcome depends greatly on the algorithm and the dataset used: non-temporal models obtain better results in datasets containing AV45 or ABETA but struggle when used with TAU or PTAU, a limitation that can be surpassed by making use of temporal models. The present work raises enormous potential found in time series clustering to discover knowledge in time-dependent diseases such as the neurodegenerative ones.

Las enfermedades neurodegenerativas son enfermedades complejas y temporalmente dependientes. Entre ellas, la más común es la enfermedad de Alzheimer, en la que los pacientes atraviesan una serie de estados sintomáticos antes de llegar al diagnóstico de demencia causada por el Alzheimer. Debido a sus características, es necesario estudiar los biomarcadores asociados a esta enfermedad desde el punto de vista de las series temporales. En este trabajo, exploramos exhaustivamente los biomarcadores encontrados en la cohorte de Alzheimer’s Disease Neuroimaging Initiative (ADNI), aplicando una colección de algoritmos de clustering, tanto temporales como no temporales. Se han aplicado estos modelos a varios conjuntos de datos: considerando un solo biomarcador, combinándolos por pares y utilizando las regiones MRI. Los resultados obtenidos con estos conjuntos de datos fueron evaluados desde un punto de vista computacional, al igual que uno clínico, este último correspondiendo a los resultados esperados. Estos resultados muestran que, desde un punto de vista computacional, los modelos no temporales suelen obtener mejores resultados que los modelos temporales. Adicionalmente, los conjuntos de datos combinando biomarcadores con características similares incrementan el valor del resultado. Mientras tanto, desde un punto de vista clínico, el resultado influye mucho del algoritmo y del conjunto de datos utilizado: los modelos no temporales suelen obtener mejores resultados en conjuntos de datos que contengan biomarcadores como AV45 o ABETA, pero obtienen peores cuando se usan otros biomarcadores como TAU o PTAU, un límite que se puede superar usando modelos temporales. Este trabajo pone de manifiesto un enorme potencial en el clustering de series temporales en el conocimiento de las enfermedades dependientes del tiempo, como las neurodegenerativas.