使用被动感知行为和生态瞬间评估进行多发性硬化症严重程度的纵向数字表型化
Zongqi Xia1, Prerna Chikersal2, Shruthi Venkatesh1
1Department of Neurology, University of Pittsburgh, Pittsburgh, PA.
medRxiv : the preprint server for health sciences
|December 16, 2024
概括
这项研究开发了一种机器学习方法,使用智能手机传感器来监测多发性硬化症 (MS) 症状. 该系统准确地预测症状负担,疲劳和睡眠质量,有助于MS患者的自我监测 (pwMS).
科学领域:
- 数字健康数字健康
- 机器学习在医学中的应用
- 神经学 神经学
背景情况:
- 多发性硬化症 (MS) 症状的纵向跟踪可以提高MS (pwMS) 患者的自我监测和临床管理.
- 目前的方法可能无法完全捕捉患者在自然环境中的日常症状体验.
研究的目的:
- 开发和验证一种机器学习 (ML) 方法,用于使用被动收集的传感器数据对患者报告的多发性硬化症症状进行纵向监测.
- 预测关键症状,包括抑郁症状,全球多发性硬化症症状负担,疲劳和睡眠质量.
主要方法:
- 利用从智能手机和健身追踪器传感器中被动收集的数据.
- 从当前和之前的数据期中提取行为特征.
- 应用了ML算法 (支持带有辐射偏差函数内核和AdaBoost的矢量机器) 以在不同间隔 (每两周和每四周) 预测症状.
主要成果:
- 在预测抑郁症状 (80.6%),高全球多发性硬化症症状负担 (77.3%),严重疲劳 (73.8%) 和睡眠质量差 (72.0%) 方面,ML模型实现了高准确性.
- 被动传感器数据在很大程度上足以预测症状严重程度.
- 抑郁症状的预测在最小的积极患者输入的情况下得到了增强.
结论:
- 通过被动传感器进行数字表型化,为MS症状的持续,现实世界的自我监测提供了一个有希望的途径.
- 这种方法可以帮助临床医生更好地分类患者的需求,并促进对MS和潜在的其他慢性神经系统疾病的及时干预.
