一个基于机器学习的新框架,用于开发疾病进展的复合数字生物标志物

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
• 数据科学数据科学数据科学

背景情况:

• 目前用于跟踪神经退行性疾病进展的方法,如帕金森病 (PD),依赖于主观的临床尺度.
• 这些尺度缺乏早期检测进展所需的灵敏度和及时性.
• 数字健康技术 (DHT) 提供客观,精确和敏感的测量,但在数据复杂性和特征选择方面存在挑战.

研究的目的:

• 开发和验证一种机器学习框架,用于从DHT数据中构建复合数字生物标志物.
• 提高跟踪神经退行性疾病疾病进展的准确性和敏感性.

主要方法:

• 一个机器学习框架,涉及单变数数字特征选,关联测试和特征选择.
• 使用惩罚性通用估计方程 (PGEE) 构建复合数字生物标志物.
• 适用于来自帕金森病研究的纵向数据,包括基于传感器的运动和临床分数.

主要成果:

• 在235个数字特征中,77个通过了选,PGEE为复合措施选择了11个.
• 复合数字测量结果显示,随着时间的推移,趋势更为平稳,更为显著,与传统的MDS-UPDRS Part III评分相比,变化较小.
• 综合测量有效地区分了早期帕金森病和健康对照.

结论:

• 由DHT衍生的措施可以增强跟踪神经退行性疾病的进展,具有更高的灵敏度和降低的可变性.
• 本文提出的框架为从高维度DHT数据集中创建复合数字生物标志物提供了一种新的方法.
• 这种方法可能会加速数字生物标志物在临床试验和药物开发中的开发和应用.