机器学习用于早期预测自身免疫性脑炎的长期认知结果
Yingchi Zhang1, Xiaodan Shi1, Zhirong Fan1
1Department of Neurology, Xijing Hospital, Air Force Medical University, Xi'an 710038, Shaanxi Province, China.
Journal of psychosomatic research
|February 20, 2025
概括
这项研究开发了一种机器学习模型,用于预测自身免疫性脑炎 (AE) 患者的长期认知障碍. 随机森林模型准确地识别了有风险的个体,有助于早期干预以获得更好的结果.
科学领域:
- 神经学 神经学
- 免疫学 免疫学 免疫学
- 人工智能的人工智能
背景情况:
- 自身免疫性脑炎 (AE) 可以导致持续的认知缺陷.
- 预测AE患者的长期认知结果对于管理至关重要.
研究的目的:
- 开发和验证AE患者长期认知障碍的预测模型.
- 确定AE认知结果的关键预测因素.
主要方法:
- 一个多中心队列研究341个AE患者.
- 利用了六个机器学习算法,包括随机森林 (RF).
- 使用电话迷你精神状态检查 (t-MMSE) 评估认知障碍.
主要成果:
- 射频模型实现了0.90的AUC,精度为0.87,灵敏度为0.79和特异性为0.90.
- 确定了关键预测因素:认知储备问卷 (CRQ),自身免疫脑炎 (CASE) 的临床评估量表,状态 (SE),年龄,MRI异常和延迟免疫治疗.
- 29.2%的患者经历了经过49个月的中位数随访后的认知障碍.
结论:
- 开发的RF模型显示出在AE中长期认知结果的优异预测性能.
- 该模型利用CRQ,CASE,SE,年龄,MRI和免疫治疗时间,显示出临床应用的前景.
更多相关视频
08:47Induction of Experimental Autoimmune Encephalomyelitis in Mice and Evaluation of the Disease-dependent Distribution of Immune Cells in Various Tissues
Published on: May 8, 2016
23.6K
06:19Induction and Diverse Assessment Indicators of Experimental Autoimmune Encephalomyelitis
Published on: September 9, 2022
3.4K
