使用人工智能预测神经发生过敏膀和多发性硬化症患者的治疗结果

科学领域:

• 神经学 神经学
• 泌尿器科 泌尿器科 泌尿器科 泌尿器科
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 神经性过活性膀 (NOAB) 显著影响患有多发性硬化症 (MS) 的女性,导致尿频率,急迫性和尿失禁.
• 在MS患者中预测NOAB治疗成功是具有挑战性的,需要先进的分析方法.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测NOAB的女性MS患者的治疗成功.
• 根据不同的治疗方式来分层预测:行为,药物和最小侵入性疗法.

主要方法:

• 110名被诊断为NOAB的女性MS患者的回顾性队列研究 (2017-2022年).
• 分析了临床和MRI脑/脊柱成像数据.
• LASSO规范后勤回归 (LR) 和极端梯度增强树 (XGB) 模型对70%的数据进行了训练,并对30%的数据进行了测试,使用排名最高的特征.

主要成果:

• 该研究包括110名患有MS和NOAB的女性患者 (平均年龄59岁).
• 后勤回归模型显示出强大的预测性能,曲线下面面积 (AUC) 值为行为治疗的0.74,药物治疗的0.76和微创治疗的0.83.
• 对大多数患者来说,MRI揭示了大脑和椎脊柱的重大损伤负担.

结论:

• 机器学习模型,特别是逻辑回归,显示出在预测MS患者NOAB治疗成功方面具有重大潜力.
• 开发的模型获得了高AUC分数,表明它们在指导个性化治疗决策中的有用性.
• 建议进行进一步的前性研究,以验证这些发现并完善预测能力.