患者特定的基于游戏的转移方法用于帕金森病严重程度预测

科学领域:

• 生物医学工程 生物医学工程
• 计算神经科学是一种神经科学.
• 数据科学数据科学数据科学

背景情况:

• 失声症是帕金森病 (PD) 的早期指标,需要准确的严重程度预测.
• 当前的PD预测模型往往忽视了患者的异质性,导致表现不佳.
• 患者特定模型中的小样本大小阻碍了概括,突出了需要有效的数据传输技术的需求.

研究的目的:

• 开发一种针对患者的基于游戏的转移 (PSGT) 方法,以改善帕金森病严重程度的预测.
• 为了应对个性化PD预测模型中小样本大小的挑战.
• 通过实例转移提高PD严重性预测的可解释性和有效性.

主要方法:

• 一个选择机制从源域中识别出类似的PD患者,以减轻负面转移风险.
• 沙普利值用于评估传输数据的贡献,提高模型的可解释性.
• 基于游戏的转移方法根据目标患者的贡献和相关性来改进实例选择.
• 转移的实例被集成到随机森林模型中,以提高PD严重程度的预测.

主要成果:

• 与现有方法相比,PSGT方法在预测电机UPDRS和总UPDRS方面表现优越.
• 获得的平均绝对误差为1.59 (电机-UPDRS) 和1.98 (总UPDRS).
• 取得的根平均平方误差为1.95 (电机-UPDRS) 和2.54 (总UPDRS).
• 实现了1.56 (电机-UPDRS) 和1.94 (总UPDRS) 的波动性.

结论:

• 该PSGT方法有效地提高了帕金森病严重程度预测的准确性和稳定性.
• 具有实例转移的患者特定建模为个性化PD监测提供了有前途的方法.
• 拟议的方法提高了解释性,并减少了PD远程监测中的预测错误.