通过机器学习预测肌缩侧面硬化症 (ALS) 的进展

科学领域:

• 神经学 神经学
• 生物统计学 生物统计学
• 计算生物学 计算生物学

背景情况:

• 肌缩侧面硬化症 (ALS) 是一种进展性神经退行性疾病.
• 预测ALS进展对于临床试验设计和患者管理至关重要.
• 当前的预测方法可能无法充分利用机器学习的潜力.

研究的目的:

• 开发和评估用于预测ALS进展的机器学习 (ML) 模型.
• 评估不同观察和预测窗口长度对模型性能的影响.
• 为了确定ALS疾病进展的关键预测因素.

主要方法:

• 利用了PRO-ACT数据库中的5030名患者的人口,临床和实验室数据.
• 模拟ALS进展 (快速与非快速) 使用极端梯度增强 (XGBoost) 和贝叶斯长短期记忆 (BLSTM).
• 使用AUROC评估模型性能,并在不同观察长度 (一次访问到12个月) 中进行比较.

主要成果:

• ML模型实现了0.570-0.748的AUROC,与临床医生的评估相当.
• 模型性能在观察长度上是一致的,但在更长的预测窗口中得到了改善.
• 确定了21种进展预测因素,包括疾病发病,ALSFRS-R,强迫生命能力,,化物和白.
• 对于某些样本,BLSTM模型对预测的信心更高.
• 通过模型对患者进行查,可以假设将临床试验大小减少18.3%.

结论:

• 机器学习模型为预测ALS进展提供了一种可行的方法.
• 临床试验的观察期可能会缩短到一次访问,从而减少试验规模.
• 已识别的预测因子可以作为新的生物标志物和ALS的治疗点.
• BLSTM信心水平提高了临床决策预测的可靠性.