使用metaheuristics进行特征选择,以预测每年的肌缩侧面硬化症进展情况
Thibault Anani1, Jean-François Pradat-Peyre1,2, François Delbot1,2
1LIP6, CNRS, Sorbonne Université, Paris, France.
概括
机器学习模型准确地预测了肌缩侧面硬化症 (ALS) 的进展和存活率. 这有助于优化患者护理和对这种神经退行性疾病的干预计划.
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
- 医疗信息学 医疗信息学
背景情况:
- 肌缩侧面硬化 (ALS) 是一种进展性神经退行性疾病,影响运动神经元,导致功能显著下降.
- 目前,ALS没有治愈疗法,因此对疾病进展和生存的准确预测对于患者管理至关重要.
研究的目的:
- 开发和验证用于预测ALS进展和患者存活率的机器学习模型.
- 确定影响疾病发展轨迹的关键因素,以改善患者护理策略.
主要方法:
- 利用了来自多个队列 (PRO-ACT,ExonHit,PULSE) 的数据,其中包括5041名ALS患者.
- 应用各种机器学习技术,包括逻辑/线性回归 (LR) 和光梯度增强机 (LGBM),通过ANOVA和微分演化 (DE) 进行特征选择.
- 用10倍交叉验证和卡普兰-梅尔估计用于患者聚类的验证模型.
主要成果:
- 与DE一起的LR实现了76.33%的准确性和预测生存时间的AUC为0.84.
- 通过Kaplan-Meier分析 (C指数=0.8) 确定了五个不同的患者群.
- LGBM模型准确预测了ALS功能评分表 (ALSFRS) 3个月的得分,调整后的R2为0.764.
结论:
- 机器学习模型在预测ALS进展和生存方面显示出显著的潜力.
- 这些预测性见解可以提高对ALS疾病动态的理解,并支持个性化患者护理.
