用于阿尔茨海默病进展全面预测的深度学习
机器学习
2019-10-10 v2 定量方法
机器学习
摘要
大多数从电子健康数据中进行机器学习的方法只能预测单一终点。在此，我们提出一种替代方案，使用无监督深度学习来模拟详细的患者轨迹。我们利用包含 1908 名轻度认知障碍或阿尔茨海默病患者 44 项临床变量 18 个月轨迹的数据，训练一个用于个性化疾病进展预测的模型。我们模拟合成患者数据，包括认知检查各子项、实验室检查的演变及其与基线临床特征的关联，同时生成预测及其置信区间。我们的无监督模型在预测 ADAS-Cog 总分变化方面与专门训练的有监督模型精度相同，并识别出与词语回忆相关的子项可作为进展的预测因子。同时模拟数十项患者特征的能力是迈向阿尔茨海默病个性化医疗的关键一步。
引用
@article{arxiv.1807.03876,
title = {Deep learning for comprehensive forecasting of Alzheimer's Disease progression},
author = {Charles K. Fisher and Aaron M. Smith and Jonathan R. Walsh and the Coalition Against Major Diseases},
journal= {arXiv preprint arXiv:1807.03876},
year = {2019}
}