机器学习和脑计算机接口在预后和个性化护理策略的方法对患有肌缩侧面硬化症的个人:一个系统的审查
Stephanie Yen Nee Kew1, Siew-Ying Mok1, Choon-Hian Goh1
1Department of Mechatronics and Biomedical Engineering, Lee Kong Chian Faculty of Engineering and Science, Universiti Tunku Abdul Rahman, 43000 Kajang, Selangor Darul Ehsan, Malaysia.
MethodsX
|September 17, 2024
概括
机器学习 (ML) 模型,就像随机森林一样,在预测肌缩侧面硬化症 (ALS) 的进展和生存方面表现有前途. 本综述探讨了ML应用在ALS诊断和脑计算机接口方面,尽管样本大小有限.
科学领域:
- 神经学 神经学
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 肌缩侧面硬化 (ALS) 是一种渐进的运动神经元疾病,在预后和日常生活中造成了重大挑战.
- 机器学习 (ML) 为分析复杂的医疗数据和改善患者护理提供了强大的工具.
研究的目的:
- 审查使用ML模型用于ALS预后和患者护理的重要研究.
- 探索ML在增强大脑计算机接口 (BCI) 的应用,以帮助晚期ALS患者.
主要方法:
- 对ALS中ML应用的现有文献的审查.
- 分析ML模型性能,包括随机森林 (RF),用于预测疾病进展和生存时间.
- 对ML与神经成像,纵向数据和临床变量集成的检查.
主要成果:
- 射频模型对ALS生存时间 (R2为0.524) 显示出强大的预测性能.
- 机器学习方法已经成功地应用于ALS数据集,尽管通常采用小样本大小.
- ML显示了改善ALS患者有限运动控制的BCI的潜力.
结论:
- 机器学习对促进ALS预后和个性化护理策略具有重大潜力.
- 为了广泛采用,在各种医疗保健环境中进一步研究和验证ML模型至关重要.
- 解决样本大小等局限性是ALS强大的ML模型开发的关键.
