根據(jù)比利時魯汶大學的 Edward De Brouwer 及其同事在開放獲取期刊PLOS Digital Health上發(fā)表的一項研究，機器學習模型可以可靠地告知臨床醫(yī)生多發(fā)性硬化癥的殘疾進展情況。
多發(fā)性硬化癥 (MS) 是一種慢性進行性自身免疫性疾病，隨著時間的推移，通過復雜的進展、恢復和復發(fā)模式導致嚴重殘疾。過去十年，該病的全球患病率增長了 30% 以上。然而，很少有工具可以預測 MS 的進展，以幫助臨床醫(yī)生和患者進行生活規(guī)劃和治療決策。
在這項新研究中，De Brouwer 及其同事使用了 40 個國家/地區(qū)的 146 個 MS 中心接受治療的 15,240 名患有至少三年 MS 病史的成年人的數(shù)據(jù)。
每位患者兩年的病情進展數(shù)據(jù)用于訓練最先進的機器學習模型，以預測未來幾個月和幾年病情進展的概率。這些模型使用嚴格的臨床指南進行訓練和驗證，提高了模型在臨床實踐中的適用性。
雖然各個模型在不同患者亞群中的表現(xiàn)各不相同，但這些模型的平均 ROC 曲線下面積 (ROC-AUC) 為 0.71 ± 0.01。研究發(fā)現(xiàn)，殘疾進展史比治療或復發(fā)史更能預測未來的殘疾進展。
作者的結論是，研究中開發(fā)的模型有可能極大地增強 MS 患者的規(guī)劃，并且可以在臨床影響研究中進行評估。
De Brouwer 補充道：“利用15,000 多名多發(fā)性硬化癥患者的臨床病史，我們訓練了一個機器學習模型，該模型能夠可靠地預測未來兩年內殘疾進展的概率。該模型僅使用常規(guī)收集的臨床變量，因此具有廣泛的適用性。
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！