开发一种机器学习模型,以预测多发性硬化症患者的扩展残疾状态尺度
Asiye Tuba Ozdogar1, Murat Emec2, Ergi Kaya3
1Department of Physiotherapy, Faculty of Health Sciences, Van Yüzüncü Yıl University, Van, Turkey.
Multiple sclerosis and related disorders
|December 25, 2025
概括
机器学习准确地预测了多发性硬化症 (MS) 患者的扩展残疾状态量表 (EDSS) 评分. XGBoost模型显示了改善MS护理中的临床决策和患者管理的有希望的结果.
科学领域:
- 神经学 神经学
- 人工智能的人工智能
- 生物医学信息学 生物医学信息学
背景情况:
- 精确评估多发性硬化症 (MS) 的残疾对于治疗和预后至关重要.
- 扩展残疾状况尺度 (EDSS) 是一个标准的衡量标准,但由于疾病异质性,预测是具有挑战性的.
- 机器学习 (ML) 为使用患者数据预测EDSS分数提供了一种新的方法.
研究的目的:
- 评估使用ML技术用于预测MS患者EDSS得分的可行性.
- 为了比较不同ML模型在EDSS得分预测中的性能.
- 确定最有效的ML模型,以加强MS的临床决策.
主要方法:
- 利用了231名多发性硬化患者的数据集,在三个时间点进行了身体,心理和认知评估.
- 根据126个初始特征的突出性和相关性分析进行了特征选择.
- 训练XGBoost,随机森林和线性回归模型并进行超参数调整,使用MAE,MSE和R2评估性能.
主要成果:
- 在T2时,XGBoost ML模型在预测EDSS分数方面取得了最高的性能.
- 在XGBoost的结果中,MAE为0.2361,MSE为0.2408,R2为0.9705.
- 这些结果表明,XGBoost模型在该数据集中的EDSS分数方面具有强大的预测能力.
结论:
- 在MS患者中,ML技术可用于预测EDSS得分.
- 开发的ML模型,特别是XGBoost,显示出有前途的性能.
- 这些预测模型有可能改善MS护理中的临床决策和患者管理.
更多相关视频
10:46A Method of Trigonometric Modelling of Seasonal Variation Demonstrated with Multiple Sclerosis Relapse Data
Published on: December 9, 2015
10.9K
05:44Author Spotlight: Creating a Versatile Experimental Autoimmune Encephalomyelitis Model Relevant for Both Male and Female Mice
Published on: October 13, 2023
2.2K
