基于整体不平衡的分类来预测肌缩侧面硬化症的预后:在诊断时确定短生存患者
Fabiano Papaiz1,2,3, Mario Emílio Teixeira Dourado4, Ricardo Alexsandro de Medeiros Valentim4
1Federal University of Rio Grande Do Norte, Natal, Brazil. fabianopapaiz@gmail.com.
BMC medical informatics and decision making
|March 20, 2024
概括
机器学习模型预测了肌缩侧面硬化症 (ALS) 患者的生存率. 这种方法可以早期识别高风险个体,有助于个性化治疗和临床试验选择.
科学领域:
- 神经学 神经学
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
背景情况:
- 肌缩侧面硬化症 (ALS) 的预后是具有挑战性的,因为患者的进展是可变的.
- 准确的预后对于及时的临床决策和试验分层至关重要.
研究的目的:
- 开发和评估机器学习 (ML) 算法,用于将ALS患者分为短期 (<24个月) 和非短期生存组.
- 使用例行收集的诊断数据,识别ALS患者高死亡风险的早期指标.
主要方法:
- 集体和失衡学习技术被整合到ML算法中.
- 在Ensemble-Imbalance框架内评估了六个基本ML分类器.
- 沙普利添加式解释 (SHAP) 用于模型解释性和特征重要性分析.
主要成果:
- 开发的组合-不平衡方法实现了88%的平衡精度和96%的灵敏度.
- 性能超过了单个ML算法,证明了综合方法的有效性.
- 确定和可视化了关键的预后特征,提高了模型的透明度.
结论:
- 在诊断时,ML模型有效预测ALS患者的短期存活率.
- 这种方法可以帮助临床医生进行个性化治疗规划,并优化临床试验资格标准.
