机器学习模型的性能,用于预测多发性硬化症的高严重性症状

科学领域:

• 神经学 神经学
• 数字健康数字健康
• 机器学习 机器学习

背景情况:

• 目前的多发性硬化症 (MS) 护理依赖于不经常的数据收集,可能缺少微妙的疾病变化.
• 移动技术提供持续的数据收集,以更好地了解和预测多发性硬化症的进展.

研究的目的:

• 开发和验证一个移动应用程序用于MS患者的纵向数据收集.
• 利用机器学习模型提前三个月预测高严重性多发性硬化症症状.

主要方法:

• 一项观察性研究 (MS Mosaic) 涉及一个公开推出的移动应用程序,用于在三年内收集数据.
• 经典机器学习和深度学习模型的回顾性发展和应用.
• 预测五种高度严重的症状:疲劳,感官障碍,行走不稳定,抑郁/焦虑,/.

主要成果:

• 该研究成功收集了美国多发性硬化症患者的纵向数据.
• 开发并测试了关键多发性硬化症症状的预测模型.
• 证明了持续预测症状发生率的潜力.

结论:

• 移动技术和机器学习可以增强多发性硬化症症状的持续监测和预测.
• 该MS Mosaic研究通过数据驱动的洞察力为积极的MS管理提供了基础.