Resumen: Comprender la distinción entre causalidad y correlación es crítica en la investigación de la enfermedad de Alzheimer (EA), ya que afecta el diagnóstico, el tratamiento y la identificación de los verdaderos impulsores de la enfermedad. Este experimento investiga las relaciones entre las características clínicas, cognitivas, genéticas y de biomarcadores utilizando una combinación de análisis de correlación, clasificación de aprendizaje automático y técnicas de interpretabilidad del modelo. Empleando el algoritmo XGBOost, identificamos características clave que influyen en la clasificación de AD, incluidas las puntuaciones cognitivas y los factores de riesgo genético. Las matrices de correlación revelaron grupos de variables interrelacionadas, mientras que los valores de Shap (explicaciones aditivas de Shapley) proporcionaron información detallada sobre las contribuciones de características en las etapas de la enfermedad. Nuestros resultados destacan que las correlaciones fuertes no implican necesariamente la causalidad, enfatizando la necesidad de una interpretación cuidadosa de los datos asociativos. Al integrar la importancia de la característica e interpretabilidad con el análisis estadístico clásico, este trabajo establece el trabajo de base para futuros estudios de inferencia causal destinados a descubrir los verdaderos mecanismos patológicos. En última instancia, distinguir los factores causales de los marcadores correlacionados puede conducir a un diagnóstico temprano mejorado e intervenciones específicas para la enfermedad de Alzheimer.
Publicado Originalme en rss.arxiv.org El 12 de junio de 2025.
Ver Fuente Original
