使用常规临床实践预测器对多发性硬化症相关认知表现的预测模型.
Andrés Labiano-Fontcuberta1, Lucienne Costa-Frossard2, Susana Sainz de la Maza2
1Department of Neurology, University Hospital12 de Octubre, Avenida de Córdoba 41, Community of Madrid 28026, Spain.
Multiple sclerosis and related disorders
|June 25, 2023
概括
机器学习模型可以预测多发性硬化症 (MS) 患者的认知衰退. 基于树的模型使用临床数据和治疗时间准确预测信息处理速度的变化.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 预测认知进化的机器学习 (ML) 应用是有限的.
- 基于计算机的认知测试为ML模型开发产生了大量数据集.
- 预测多发性硬化症 (MS) 的认知衰退至关重要.
研究的目的:
- 评估使用标准临床特征构建预测模型的可行性.
- 评估这些模型在预测认知演变中的可靠性.
- 确定MS认知变化的关键预测因素.
主要方法:
- 一项针对1184名多发性硬化症患者的前性纵向研究.
- 使用基于iPad®的处理速度测试 (PST) 测量了12个月的处理速度 (PS).
- 通过使用常规临床数据,训练和测试了六种ML分类模型.
主要成果:
- 15.8%的MS患者在PST得分下降了10% (PST恶化).
- 基于树木的模型 (随机森林,极端梯度提升) 显示出高性能 (AUC 0.90,0.89).
- 高效疾病修饰疗法 (heDMT) 的时间是关键预测因素.
结论:
- 基于树的ML模型对预测个体信息处理速度下降在MS中的预测有前途.
- 这些模型有可能被整合到临床实践中.
- 预测分析可以帮助管理MS相关的认知变化.
