基于机器学习的不安腿综合征的预测,使用可穿戴设备和智能手机数据的数字表型

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 数字健康数字健康

背景情况:

• 不安腿综合征 (RLS) 是一种常见的神经疾病,影响睡眠和生活质量.
• 由于依赖主观患者报告,准确的RLS诊断具有挑战性.
• 数字表型化提供了一个潜在的客观诊断方法.

研究的目的:

• 开发和评估用于RLS诊断的机器学习模型,使用数字表型.
• 将智能手机应用程序中的生活方式数据与可穿戴设备的生物识别数据集成.
• 评估模型对RLS和严重RLS症状组的预测性能.

主要方法:

• 通过智能手机应用程序收集自我报告的生活方式数据和可穿戴设备的客观生物识别数据.
• 从数据中提取了85个特征,基于昼夜节律进行处理.
• 利用随机森林 (RF) 和XGBoost (XGB) 预测模型来区分非RLS,RLS和严重RLS组.

主要成果:

• 射频模型在RLS组中表现最好,XGB模型在严重RLS组中表现最好.
• 与单独的可穿戴设备数据相比,结合可穿戴设备和应用程序数据显著改善了预测性能 (RLS的AUC高达0.86,严重RLS的0.70).
• 在整合两个数据源时,RLS组实现了高回忆率 (1.00).

结论:

• 数字表型,包括基于昼夜节律的特征,显示了RLS预测的巨大潜力.
• 开发的机器学习模型可以帮助早期检测RLS.
• 这种方法支持RLS患者个性化管理策略.