使用有氧能力数据用于多发性硬化症EDSS得分估计:一种机器学习方法

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 扩展残疾状态量表 (EDSS) 对于监测多发性硬化症 (MS) 进展和治疗疗效至关重要.
• 医生之间不一致的EDSS评分对可靠的患者评估构成了挑战.
• 开发自主解决方案是必要的,以提高EDSS评估的客观性和可靠性.

研究的目的:

• 提出一种机器学习 (ML) 方法来预测MS患者的EDSS分数 (PwMS).
• 利用有氧能力和心血管数据作为ML模型的输入特征.
• 提高EDSS评估的可靠性,并减轻得分差异导致的并发症.

主要方法:

• 从PwMS收集心血管和有氧能力数据,包括通风,心率和氧气消耗,从PwMS.
• 使用的机器学习算法:CatBoost,梯度提升机 (GBM),极端梯度提升 (XGBoost) 和决策树 (DT).
• 使用诸如平均绝对误差 (MAE),根平均平方误差 (RMSE) 和R平方等指标评估模型性能.

主要成果:

• XGBoost算法在预测EDSS分数方面表现出最高的准确性.
• 实现的绩效指标:MAE为0.26,RMSE为0.4,R-平方为0.68.
• 基于生理数据,ML方法有效预测EDSS得分.

结论:

• 机器学习,特别是XGBoost,提供了一种可靠的方法来预测PwMS中的EDSS分数.
• 有氧能力和心血管参数是MS残疾的重要预测因素.
• 这种基于ML的方法可以提高EDSS评估的一致性和客观性.