机器学习和退行性宫肌病的症状模式:基于网络的调查研究
Alvaro Yanez Touzet1, Tanzil Rujeedawa2, Colin Munro2
1University of Manchester, Manchester, United Kingdom.
JMIR formative research
|January 25, 2024
概括
基于临床特征,机器学习确定了三组患有退行性宫骨髓病 (DCM) 的患者群. 这些群体在症状数量上有所不同,但不是疾病的严重程度或持续时间,突出了DCM.
科学领域:
- 神经学 神经学
- 脊髓损伤研究 脊髓损伤研究
- 机器学习在医学中的应用
背景情况:
- 退行性宫髓病 (DCM) 是由于脊髓压缩而导致的渐进性脊髓损伤.
- DCM呈现异质的感觉运动,步态和自主功能障碍,复杂的诊断和理解.
- 新出现的证据表明,DCM包括不同的,但尚未定义的患者子组.
研究的目的:
- 调查机器学习在DCM中识别临床意义上的患者集群的实用性.
- 仅根据其报告的临床特征对DCM患者进行分层.
主要方法:
- 一项调查收集了患者报告的临床特征,主要投诉,诊断时间和人口统计数据.
- 使用哈蒂根-旺算法和欧几里德距离的K-means集群,根据临床特征分组患者.
- 通过比较人口统计,呈现时间和疾病严重程度来评估确定的群体的临床意义.
主要成果:
- 通过共识确定了三种不同的DCM患者集群.
- 在报告的临床特征总数 (p<.001) 中,集群的差异很大.
- 对于DCM严重程度或诊断后的时间,集群之间没有发现显著差异.
结论:
- 机器学习成功地根据临床表现划分了三个DCM患者组.
- 这些群体在症状负担上有所不同,但不是疾病的严重程度或持续时间,支持DCM的异质性.
- 虽然机器学习在DCM中对模式识别有希望,但高质量的数据集对于获得临床益处至关重要.


