机构名称：
¥ 1.0
摘要肌萎缩性侧索硬化症（ALS）的特征是一种快速进行性神经退行性疾病，在医疗干预和疗法领域中提供了有限的治疗选择的人。该疾病展示了各种各样的发作模式和进展轨迹，强调了早期检测功能下降的关键重要性，以实现定制的护理策略和及时的治疗干预措施。由IDPP@CLEF 2024挑战率负责的本研究重点是利用通过应用程序获得的传感器来源数据。此数据用于构建各种机器学习模型，专门设计，以预测ALS功能评级量表重新介绍（ALSFRS-R）分数的进步，利用组织者提供的数据集。在我们的分析中，评估了多个预测模型，以确定其在处理ALS传感器数据方面的疗效。使用统计方法将传感器数据的时间方面压缩并合并，从而增强了收集信息的可解释性和适用性，以实现预测性建模目标。表现出最佳性能的模型是天真的基线和弹性网络回归。幼稚的模型达到的平均绝对误差（MAE）为0.20，均方根误差（RMSE）为0.49，表现略高于ElasticNet模型，该模型的MAE为0.22，RMSE为0.50。我们的比较分析表明，虽然天真的方法提高了更好的预测精度，但ElasticNet模型为理解特征贡献提供了强大的框架。
ALSFRS-R得分预测的机器学习
主要关键词
相关文件推荐
