揭示神经退行性疾病进展的复杂性:ALS 的机器学习方法

可以使用机器学习方法跟踪神经退行性疾病
神经退行性疾病,如肌萎缩性侧索硬化症、阿尔茨海默氏症和帕金森氏症,是复杂的慢性疾病,会出现多种症状并以不同的速度恶化。 它们有许多遗传和环境原因,在某些情况下,这些原因仍然未知。 ALS 是一种影响随意肌的致命疾病。 虽然大多数人在确诊后只能活几个月,但有些患者可能会患病多年。 ALS 的症状也不同。 较慢的疾病进展通常与具有精细运动技能的肢体有关。 另一方面,Bulbar ALS 会影响吞咽、言语、呼吸和行动能力。 了解 ALS 等疾病的进展对于参与临床试验、分析潜在干预措施和发现根本原因至关重要。

评估疾病的进展并不容易。 临床研究假设患者的健康状况根据症状量表以线性方式下降。 然后使用这些线性模型来确定药物是否能减缓疾病进展。 然而,数据表明 ALS 遵循非线性轨迹。 症状可以在稳定期和快速变化期之间交替。 比较患者人群很困难,因为数据稀少,而且健康评估通常取决于以不规则时间间隔测量的主观评分指标。 异质性的数据和进展使发明有效性的分析变得复杂,并可能掩盖疾病的起源。

来自麻省理工学院、IBM Research 和其他机构的研究人员开发了一种新的机器学习方法来表征 ALS 进展模式,以改进临床试验设计。

来源和详细信息:
https://medicalxpress.com/news/2022-09-machine-learning-method-neurodegenerative-disease-newly.html

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注