机构名称：
¥ 1.0
抽象的背景可靠的临床障碍和多发性硬化症（MS）恶化的预测模型来识别有风险的患者并优化治疗策略。目的是评估机器学习（ML）方法是否可以分类临床障碍并预测MS（PWMS）患者的恶化，如果是的，则临床和磁共振成像（MRI）特征（MRI）特征以及ML算法的组合是最佳的。方法我们使用了来自两个MS队列的基线临床和结构MRI数据（柏林：n = 125，阿姆斯特丹：n = 330）来评估五个ML模型在基线时对临床障碍进行分类的能力，并预测未来的临床恶化，并在2年和5年的随访中进行了恶化。临床恶化是由扩展的残疾状态量表（EDSS），定时25英尺步行测试（T25FW），9孔PEG测试（9HPT）或符号数字模式测试（SDMT）的定义。在预测临床结果时系统地评估了临床和体积MRI测量的不同组合。mL模型，以评估显着性。结果ML模型在阿姆斯特丹队列的基线时显着确定了临床障碍，但在预测2年和5年的随访中临床恶化并没有意义。使用临床和全球MRI量（AUC = 0.83±0.07，p = 0.015），最好通过支持向量机（SVM）分类器来确定高残疾（EDS≥4）。04（p = 0.008）。使用区域MRI体积（Thala -Mus，脑室，病变和海马）最好通过SVM确定认知受损（SDMT Z -SCORE≤ -1.5），达到0.73±0。结论ML模型可以有助于将PWMS分类为临床障碍并确定相关的生物标志物，但是临床恶化的词典是未满足的需求。
杂种免疫患者的后盘后状况的可能性；来自德国国家队列（Nako）的数据
主要关键词
相关文件推荐
