机器学习技术在预测多发性硬化病程中的探索

目的：探讨机器学习方法在预测多发性硬化病程中的价值。方法：对 1693 例 CLIMB 研究患者在基线就诊后长达五年时是否出现 EDSS 增加 ≥1.5（恶化）或未增加（未恶化）进行分类。使用支持向量机（SVM）构建分类器，并与逻辑回归（LR）进行比较，利用在第 1 年和第 2 年获得的人口统计学、临床和 MRI 数据预测随访 5 年时的 EDSS。结果：仅基线数据几乎没有预测价值。一年的临床观察使 SVM 预测恶化病例的总体敏感性提高至 62%，特异性提高至 65%。增加一年的 MRI 数据使敏感性提高至 71%，特异性提高至 68%。在 SVM 模型中使用非均匀误分类代价，并向提高敏感性加权，改善了预测结果（最高达 86%）。随着随访数据的增加，敏感性、特异性和总体准确性的改善极小。在由基线 EDSS 定义的特定组别中，预测效果有所改善。在大多数情况下，LR 的表现均劣于 SVM。种族、MS 家族史和脑实质分数为未恶化组的高位预测因子。脑 T2 病灶体积为恶化组的高位预测因子。解释：结合短期临床和脑 MRI 数据、类别不平衡校正措施以及分类代价的 SVM 可能是预测 MS 病程以及选择适合更积极治疗方案的患者的有前景的方法。