多発性硬化症患者における拡大障害状態評価スケールの予測のための機械学習モデルの開発

科学分野:

• 神経学
• 人工知能
• 生物医学情報学

背景:

• 多発性硬化症（MS）における障害の正確な評価は、治療と予後にとって不可欠です。
• 拡大障害状態評価スケール（EDSS）は標準的な尺度ですが、疾患の不均一性により予測は困難です。
• 機械学習（ML）は、患者データを使用してEDSSスコアを予測するための新しいアプローチを提供します。

研究 の 目的:

• MS患者のEDSSスコア予測のためのML技術の使用の実現可能性を評価すること。
• EDSSスコア予測におけるさまざまなMLモデルのパフォーマンスを比較すること。
• MSにおける臨床的意思決定を強化するための最も効果的なMLモデルを特定すること。

主な方法:

• 3つの時点での身体的、心理社会的、認知的評価を含む231人のMS患者のデータセットが使用されました。
• 126の初期特徴から、顕著性と相関分析に基づいて特徴選択が行われました。
• XGBoost、Random Forest、および線形回帰モデルがトレーニングされ、ハイパーパラメータが調整され、MAE、MSE、およびR²を使用してパフォーマンスが評価されました。

主要な成果:

• XGBoost MLモデルは、T2でのEDSSスコアの予測において最高のパフォーマンスを達成しました。
• XGBoostは、MAE 0.2361、MSE 0.2408、およびR² 0.9705を達成しました。
• これらの結果は、このデータセットにおけるEDSSスコアに対するXGBoostモデルの強力な予測能力を示しています。

結論:

• ML技術は、MS患者のEDSSスコアを予測するために実行可能です。
• 開発されたMLモデル、特にXGBoostは、有望なパフォーマンスを示しています。
• これらの予測モデルは、MSケアにおける臨床的意思決定と患者管理を改善する可能性があります。