在创伤性脊髓损伤中预测细分运动结果:超出总和得分的进步
Sarah C Brüningk1, Lucie Bourguignon1, Louis P Lukas1
1Department of Health Sciences and Technology (D-HEST), ETH Zurich, Switzerland; SIB Swiss Institute of Bioinformatics, Switzerland.
Experimental neurology
|August 3, 2024
概括
这项研究开发了一种机器学习模型,用于预测脊髓损伤 (SCI) 后的详细运动恢复. 该模型提高了预测准确性,帮助康复和临床试验设计,以获得更好的患者结果.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 机器学习 机器学习
背景情况:
- 创伤性脊髓损伤 (SCI) 的恢复是复杂的,受损伤水平,严重程度和脊髓综合征的影响.
- 临床试验当前的结果预测侧重于广泛的运动分数,忽视了对功能至关重要的细节性恢复.
- 开发针对细分运动恢复的数据驱动模型可以提高康复和临床试验的敏感性.
研究的目的:
- 开发和验证数据驱动的预测模型,用于SCI后细节性电机恢复.
- 为了提高结果预测的准确性,超越当前的总和电机分数.
- 提高SCI临床试验的设计和灵敏度.
主要方法:
- 使用急性阶段SCI检查的神经学分类国际标准.
- 采用k-最近邻居 (kNN) 与各种相似度指标进行匹配以进行预测.
- 使用欧洲和美国数据集验证了对线性和后勤回归模型的kNN模型.
主要成果:
- 通过使用 kNN 来预测动力得分序列,实现了全人口根-平均-平方误差 (RMSE) 0.76...0.14,2.77).
- 证明了具有竞争力的功能性得分预测,用于行走 (0.92) 和自我护理 (0.83) 的AUC值.
- kNN模型的表现优于线性回归 (RMSE 0.98(0.22,2.57)),并在验证队列中显示了可比的结果.
结论:
- 开发的方法提供了所有汽车领域的第一个预测,无论SCI水平或严重程度如何.
- 机器学习模型在各种数据集中具有高度可解释性和验证性.
- 经过验证的算法可以结合外部控制数据,提高跨国临床试验的敏感性和可行性.
