预测从临床孤立综合征转化为多发性硬化症:一种可解释的机器学习方法
Saeid Rasouli1, Mohammad Sedigh Dakkali2, Reza Azarbad3
1School of Medicine, Five Senses Health Research Institute, Hazrat-e Rasool General Hospital, Iran University of Medical Sciences, Tehran, Iran.
Multiple sclerosis and related disorders
|April 20, 2024
概括
这项研究开发了一种可解释的机器学习模型,以预测临床确定的多发性硬化症 (CDMS) 从临床隔离综合症 (CIS) 转换. 该模型准确识别高风险患者,有助于个性化治疗和预防残疾.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 预测从临床隔离综合征 (CIS) 转化为临床确定的多发性硬化症 (CDMS) 对于个性化治疗至关重要.
- 早期预测可以及时干预以防止残疾.
研究的目的:
- 开发一个可解释的机器学习 (ML) 模型来预测CIS到CDMS的转换.
- 利用人口统计,临床和成像数据进行预测.
- 提高多发性硬化症 (MS) 患者临床决策的透明度.
主要方法:
- 在273名墨西哥混血CIS患者的数据集上使用极端梯度提升 (XGBoost).
- 使用交叉验证来选择特征,并使用持久套件进行测试.
- 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 确定了九个重要的预测变量,包括年龄,症状和成像/CSF标记.
- 实现了83.6%的交叉验证准确率和91.8%的AUC.
- 测试组准确度达到了78.3%和AUC达到了85.8%.
结论:
- 可解释的ML模型有效地分层了CDMS转换的风险.
- 促进个性化治疗决策和MS护理中的残疾预防.
- 提供数值风险估计,提高临床决策透明度.
