经常性神经网络和注意力评分用于个性化预测和解释患者报告的结果

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 健康 结果 研究 研究 结果

背景情况:

• 密码性感官多神经病变 (CSPN) 在管理患者报告的结果 (PROs) 中提出了挑战,特别是疼痛.
• 纵向PRO数据分析需要复杂的建模来捕捉个体患者的轨迹和治疗效果.
• 现有的预测模型可能缺乏解释性,阻碍了临床应用和个性化医疗.

研究的目的:

• 开发和验证一种可解释的人工智能 (AI) 模型,用于预测密码感官多神经病的患者报告结果 (PRO) 措施.
• 利用循环神经网络 (RNN) 与注意力得分来提高疼痛干扰的预测和解释性.
• 在临床试验环境中,在个人,药物和时间层面确定疼痛干扰的关键预测因素.

主要方法:

• 使用了402名CSPN患者的开放标签随机临床试验数据集,专注于201名患者,没有丢失的PRO数据.
• 一个包含注意力分数的循环神经网络 (RNN) 模型被安装在四个时间点中,使用纵向 PRO 测量 (SF-12,PROMIS 疲劳,睡眠障碍) 预测 PROMIS 疼痛干扰分数.
• 模型性能使用平均绝对误差 (MAE) 和R平方进行评估,注意力得分用于全球和个人级别的变量重要性解释.

主要成果:

• 注意力-RNN模型表现出很好的匹配,MAE=3.7和R平方=63%,表明可靠的疼痛干扰预测.
• 确定的关键预测因素包括与社会活动干扰和PROMIS疲劳相关的SF-12项目,其中mexiletine显示了最大的药物水平贡献和第12周最大的时间水平贡献.
• 注意力得分提供了可解释的洞察力,在整体模型和个体患者层面上对变量的重要性.

结论:

• 注意力-RNN模型是一种可行的和可靠的工具,用于预测神经疾病中的纵向PRO结果,例如疼痛.
• 这种可解释的人工智能方法促进了PRO的个性化解释,可能优化CSPN患者的治疗策略.
• 该模型识别特定预测因子及其贡献的能力提高了对临床试验中的疼痛动态的理解.