亨廷顿病中的机器学习:探索Enroll-HD数据集用于预后和驾驶能力预测
Jasper Ouwerkerk1, Stephanie Feleus2,3, Kasper F van der Zwaan2
1Department of Pathology and Clinical Bioinformatics, Erasmus Medical Center (EMC), Wytemaweg, 3015 CN, Rotterdam, The Netherlands.
Orphanet journal of rare diseases
|July 27, 2023
概括
机器学习模型显著改善了对亨廷顿氏病发病年龄和驾驶能力的预测,表现优于传统公式. 这种方法最大限度地使参与者和变量纳入罕见病研究.
科学领域:
- 生物医学是生物医学.
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
背景情况:
- 机器学习 (ML) 在疾病预后和诊断方面表现有前途,但罕见疾病如亨廷顿病 (HD) 由于数据限制而带来挑战.
- 亨廷顿病是一种罕见的神经退行性疾病,是由亨廷丁基因的CAG重复扩张引起的.
- 拥有超过21000名参与者的Enroll-HD研究提供了适用于ML应用的大数据集.
研究的目的:
- 使用ML方法预处理和归算Enroll-HD数据集,以最大限度地增加参与者和变量.
- 开发ML模型来预测亨廷顿病发病时的年龄 (AAO),并将其性能与已建立的朗贝恩公式进行比较.
- 利用循环神经网络 (RNN) 进行纵向数据分析,特别是评估驾驶能力.
主要方法:
- 采用ML技术进行数据预处理和归算,成功地解决缺失值并保留大量变量.
- 开发和比较各种ML模型,包括一个光梯度增强机,用于预测AAO.
- 将RNN应用于Enroll-HD的纵向数据,以建模和预测驾驶能力.
主要成果:
- 基于ML的预处理计算出了大约42%的缺失值,并保留了167个变量.
- 最好的ML模型 (光梯度增强机) 与Langbehn公式相比,AAO预后提高了9.2%,在更广泛的CAG重复范围中显示出更高的准确性.
- 使用ML模型,驾驶能力的预测准确率为85.2%.
结论:
- 开发的ML预处理工作流有效地解决了缺失的数据问题,使Enroll-HD研究中的大多数参与者和变量能够被纳入.
- 通过提高AAO预测和创建估计未来驾驶能力的咨询模型,ML方法提供了显著的附加值.
- 该研究提供了可访问的代码和预处理工作流程,用于未来与HD相关的ML预测.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.6K
