在多种患者数据库中用机器学习预测肌缩侧面硬化症的死亡率
Ling Guo1, Ian Qian Xu2,3, Sonakshi Nag1,3
1Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR), Singapore.
Muscle & nerve
|September 15, 2025
概括
新模型使用任何临床访问预测肌缩侧面硬化症 (ALS) 死亡率,改善个性化护理和临床试验. 专蛋白和功能评分是关键的预测指标,在各种人群中得到验证.
科学领域:
- 神经学 神经学
- 生物统计学 生物统计学
- 机器学习 机器学习
背景情况:
- 预测肌缩侧面硬化症 (ALS) 的死亡率对于患者护理和临床试验设计至关重要.
- 现有的模型有局限性,包括依赖早期数据,固定预测器关系和缺乏多样化的人口验证.
研究的目的:
- 使用常规可用的临床数据开发和验证新的ALS死亡率预测模型.
- 解决现有模型的局限性,将任何临床访问的数据纳入并对不同人群进行验证.
主要方法:
- 在PRO-ACT数据库上训练了Royston-Parmar和eXtreme渐变增强模型,用于6个月和12个月的死亡率预测.
- 在来自北美和新加坡ALS群体的独立数据集上验证的模型.
- 评估特征的重要性和预测因素减少的影响.
主要成果:
- 模型使用任何临床访问的数据实现了高预测性能 (AUC 0.768-0.865).
- 专蛋白成为最重要的预测因子,其次是ALS功能评分尺度-修订斜率,四肢发病和其他临床变量.
- 模型在独立的数据集上表现出强的表现,并在减少到七个关键预测指标时表现出强的表现.
结论:
- 访问不可知的ALS死亡率预测模型被开发和验证在不同的人群中.
- 确定了关键的预后特征,包括白蛋白和功能衰退.
- 这些模型具有提高ALS患者护理和优化临床试验设计的潜力.
