在多发性硬化症中基于机器学习的残疾进展预测:一项观察性,国际,多中心研究
Edward De Brouwer1, Thijs Becker2,3, Lorin Werthen-Brabants4
1ESAT-STADIUS, KU Leuven, Belgium.
PLOS digital health
|July 25, 2024
概括
机器学习模型可以使用常规数据预测多发性硬化症残疾进展. 历史进展,而不是治疗或复发,是最强的预测因素,有助于临床决策.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物统计学 生物统计学
背景情况:
- 残疾进展是多发性硬化症 (MS) 演变的一个关键指标.
- 目前的预测模型缺乏临床信任和标准化的基准.
- 需要可靠的工具来预测MS残疾进展.
研究的目的:
- 开发和验证机器学习模型,用于预测MS患者的残疾进展 (PwMS).
- 为评估MS残疾进展预测模型建立一个基准.
- 评估常规收集的变量在预测多发性硬化症进展中的有用性.
主要方法:
- 利用了来自40个国家的146个中心的15240个PwMS的数据 (MSBase联盟).
- 应用了最先进的机器学习模型,遵循TRIPOD指导方针进行两年预测.
- 使用外部数据集五次验证模型,评估歧视 (ROC-AUC,AUC-PR) 和校准 (Brier分数,ECE).
主要成果:
- 机器学习模型表现出良好的性能,ROC-AUC为0.71±0.01和AUC-PR为0.26±0.02.
- 模型的校准足够,布赖尔分数为0.1±0.01,ECE为0.07±0.04.
- 过去的残疾进展是比治疗史或复发更重要的预测因素.
结论:
- 常规收集的变量足以准确预测MS残疾进展.
- 机器学习模型显示出临床应用的前景,为未来的MS进展做出决策提供了信息.
- 开发的模型和代码作为未来MS进展预测研究的基准.


