AIと機械学習による多発性硬化症の予後予測：臨床的、免疫学的、放射線学的変数の統合

科学分野:

• 神経免疫学
• 計算神経科学
• 生物統計学

背景:

• 多発性硬化症（MS）の進行を正確に予測することは、効果的な臨床管理のために不可欠です。
• 再発寛解型MS（RRMS）では、疾患の進行と障害を監視するための信頼できる方法が必要です。
• MSの進行を予測する既存の方法には、精度と適時性の限界があります。

研究 の 目的:

• 再発寛解型MS（RRMS）患者における臨床的障害（拡大障害度スケール - EDSS）と放射線学的活動（MRI病変の変化）を予測する上で、教師あり機械学習（ML）モデルの有効性を調査すること。
• 末梢サイトカインプロファイルと患者メタデータを使用した様々なML分類器の予測パフォーマンスを評価すること。
• MSにおける機能的および放射線学的進行に対する臨床的に意味のある予測をMLモデルが提供できるかどうかを判断すること。

主な方法:

• 末梢サイトカインプロファイル（IL-12、TNF-α、IFN-γ、IL-4、IL-10）と患者メタデータを使用しました。
• 43の機械学習分類器をトレーニングおよび評価しました。
• モデルは、軽度から中程度の障害（EDSS閾値）を識別し、15人のRRMS患者の新しいMRI病変を予測する能力について評価されました。

主要な成果:

• アンサンブルMLモデルは、単純なアルゴリズムと比較して優れたパフォーマンスを示しました。
• EDSS予測では、ランダムフォレストは90.1%の感度と89.7%の特異度を達成しました。
• 患者IDを使用すると、単純なロジスティック回帰は92.6%に達しました。
• ランダムサブスペース分類器は、82.4%の感度と特異度を達成して、新しいMRI病変の予測に優れていました。

結論:

• サイトカインプロファイルとML戦略を組み合わせることで、RRMSにおける機能的および放射線学的進行の正確な予測が可能になります。
• これらの予測ツールは、患者モニタリング、治療的意思決定、およびリスク層別化を強化できます。
• これらのMLベースの予測モデルの臨床実装には、前向きコホートでのさらなる検証が必要です。