在ALS患者病例研究中整合多传感器时间序列数据用于ALSFRS-R临床规模预测

科学领域:

• 神经学 神经学
• 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:

• 目前的肌缩侧面硬化症 (ALS) 监测依赖于不频繁的临床评估,如ALS功能评级量表修订 (ALSFRS-R).
• 这种有限的数据收集可以通过错过患者功能状态的微妙,日常变化来延迟关键的治疗调整.
• 需要客观,持续的监测,以捕捉疾病进展的早期指标.

研究的目的:

• 探索家庭健康传感器的使用,以频繁,定量跟踪ALS患者的功能状态.
• 开发和评估将高频传感器数据与低频临床评估 (ALSFRS-R) 整合的方法.
• 评估基于传感器的健康指标作为ALS敏感预后标志物的潜力.

主要方法:

• 使用XGBoost回归器进行基础学习.
• 研究了九种不同的插值模型,以使每月的ALSFRS-R目标与基于高频传感器的健康特征保持一致.
• 采用混合频数据建模方法.

主要成果:

• 与传统的线性斜率估计相比,评估的插值模型显示了ALSFRS-R得分的优异预测.
• 基于传感器的健康估计显示出潜在的敏感预后标志物.
• 该研究成功地模拟了来自临床评估和家庭传感器的混合频率数据.

结论:

• 家庭健康传感器为监测ALS进展提供了传统临床工具的实用补充.
• 来自传感器的数据可以更频繁地提供对患者功能状态的定量见解.
• 这种方法有望更早地检测健康转变,及时介入ALS管理.