通过机器学习方法,使用例行访问数据预测特征性肌缩性侧面硬化症进展的临床事件:可行性研究

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:

• 肌缩侧面硬化症 (ALS) 是一种致命的神经退行性疾病,进展高度变化.
• 对ALS缺乏有效的预后工具,使治疗和管理复杂化.
• 常规临床数据为开发预测模型提供了潜力.

研究的目的:

• 用人工智能评估预测ALS临床结果的可行性.
• 建立疾病进展的两年预测时间.
• 为了利用例行访问数据进行预后建模.

主要方法:

• 训练后勤回归 (LR) 和多层感知子 (MLP) 模型.
• 针对性的二进制死亡预测和多类死亡预测/PEG或死亡/NIV.
• 采用模型可解释性技术 (系数,沙普利值) 来解释可解释性.

主要成果:

• 在这两种模型中,都实现了死亡的准确预测 (F1 > 0.7).
• 与PEG或NIV一起预测死亡是更具挑战性的 (F1 0.4-0.6).
• 可解释性分析提供了对死亡预测变量重要性的见解.

结论:

• 预测ALS的死亡率是可行的AI和常规数据.
• 预测穿皮内镜胃口术 (PEG) 或非侵入性通风 (NIV) 是不可行的.
• 数据的局限性或缺失关键预测因素可能会阻碍更复杂的ALS预后.