利用大数据在肌缩侧面硬化症:机器学习应用临床实践和药物试验
Ee Ling Tan1, Jasmin Lope1, Peter Bede1,2
1Computational Neuroimaging Group, School of Medicine, Trinity College Dublin, D02 PN40 Dublin, Ireland.
Journal of integrative neuroscience
|March 27, 2024
概括
精准医学正在通过基因型特异性疗法推进肌缩性侧面硬化症 (ALS) 护理. 机器学习 (ML) 在运动神经元疾病 (MND) 中解释个体患者数据方面表现有前途,尽管存在实施挑战.
科学领域:
- 神经科学和神经病学 神经科学和神经病学
- 遗传学和基因组学 遗传学和基因组学
- 生物医学信息学 生物医学信息学
背景情况:
- 肌缩侧面硬化症 (ALS) 研究正在转向精准医学,由基因型特定疗法驱动.
- 之前的研究在群体层面上描述了典型的疾病轨迹,限制了个体患者的解释.
- 数据可用性 (注册,联盟) 的进步使个性化生物标志物分析成为可能.
研究的目的:
- 探索使用机器学习 (ML) 来解释运动神经元疾病 (MNDs) 个体患者数据的可行性.
- 突出ML在诊断,表型和预后方面对单个患者进行分类方面的潜力.
- 确定阻碍ML在ALS中广泛临床实施的挑战.
主要方法:
- 审查现有的描述性研究,描述ALS疾病负担和模式.
- 对MND数据应用的机器学习 (ML) 策略的探索,用于单个患者的解释.
- 确定与在临床实践和试验中实施ML相关的实际挑战.
主要成果:
- 机器学习 (ML) 策略在解释MND中的个体患者生物标志物概况方面已经证明了可行性.
- 对生物标志物数据的个性化解释允许对单个患者进行相关的诊断,表型和预后分类.
- 显著的实用性挑战阻碍了ML在ALS中的常规临床应用.
结论:
- 机器学习 (ML) 对推进肌缩性侧面硬化症 (ALS) 精准医学具有相当大的前景.
- 克服诸如队列规模,数据协调和监管问题等障碍对于ML集成至关重要.
- 预计ML策略将成为临床决策和ALS药物开发的组成部分.
