使用多式模式数据和机器学习预测多发性硬化症的疾病严重程度.
Magi Andorra1, Ana Freire2,3, Irati Zubizarreta1
1Institut d'Investigacions Biomediques August Pi Sunyer (IDIBAPS) and Hospital Clinic Barcelona, Barcelona, Spain.
Journal of neurology
|December 22, 2023
概括
整合临床,成像和omics数据的机器学习模型可以预测多发性硬化症 (MS) 疾病活动. 这些算法有助于识别患有残疾恶化风险的患者,改进个性化治疗策略.
科学领域:
- 神经学 神经学
- 生物医学信息学 生物医学信息学
- 数据科学数据科学数据科学
背景情况:
- 多发性硬化症 (MS) 患者的管理可以通过机器学习 (ML) 算法来改进.
- 整合临床,成像和多模式生物标志物对于定义MS疾病活动风险至关重要.
研究的目的:
- 开发和验证用于预测MS患者临床结果的ML算法.
- 评估使用各种数据模式的算法的预测性能.
主要方法:
- 对322名多发性硬化患者和98名对照患者的前性多中心队列的分析.
- 收集残疾量表,脑部MRI,光学连贯性断层扫描,基因型定型,细胞学和蛋白学数据.
- 应用随机森林算法来识别临床结果的预测因素,在独立的队列中得到验证.
主要成果:
- 算法准确地预测了确认的残疾累积,没有疾病活性 (NEDA) 的证据,免疫治疗的开始和治疗升级.
- 使用临床和成像数据实现了高精度,在某些情况下,omics数据提供了轻微的改进.
- 在独立验证队列中,算法性能一致.
结论:
- 将临床,成像和omics数据与ML结合起来,可以有效地识别MS患者的残疾恶化风险.
- 这种方法有助于个性化风险分层和多发性硬化症的治疗决策.
更多相关视频
10:46A Method of Trigonometric Modelling of Seasonal Variation Demonstrated with Multiple Sclerosis Relapse Data
Published on: December 9, 2015
10.7K
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
