机器学习分析应用于预测多发性硬化症患者的早期进展独立于复发活动的预测
Valentina Poretto1, Walter Endrizzi2,3, Matteo Betti4
1Neurology Unit, Azienda Provinciale per i Servizi Sanitari (APSS), Trento, Italy.
European journal of neurology
|November 28, 2025
概括
机器学习使用常规数据准确地预测早期多发性硬化症的短期进展独立于复发活动 (PIRA). 这种方法可以为新诊断的患者提供个性化的治疗策略.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
背景情况:
- 在早期阶段预测患有多发性硬化症 (pwMS) 的人的预后是具有挑战性的.
- 机器学习 (ML) 在医疗预测任务中表现有前途.
- 这项研究旨在使用常规数据开发pwMS的预测算法.
研究的目的:
- 开发和比较ML模型,以预测新诊断的pwMS.在3年内不依赖复发活动的进展 (PIRA).
- 确定PIRA的主要人口,临床和放射学预测因素.
- 评估使用常规临床数据用于预测建模的可行性.
主要方法:
- 追溯分析了来自意大利三个多发性硬化中心719例新诊断的pwMS的数据.
- ML模型的比较,包括随机森林,额外树木,XGBoost,后勤回归和支持向量分类器.
- ML可解释性分析,以确定PIRA预测的有影响的特征.
主要成果:
- 随机森林模型实现了最高的预测性能 (AUC = 0.75 ± 0.06).
- PIRA的关键预测因素包括24个月后扩大残疾状态量表,症状发病时的年龄和起始时的疾病持续时间.
- 在分析的pwMS中,有13%的患者在第3年发病了PIRA.
结论:
- 使用常规临床数据,ML技术可用于预测新诊断的 pwMS 中的短期 PIRA.
- 这些发现支持为MS管理制定量身定制和个性化的方法.
- 这种预测能力可以帮助早期干预和治疗规划.
