基于机器学习的ALSFRS-R 评分预测：从传感器数据中寻找意义
机器学习
2024-07-12 v1 人工智能
摘要
肌萎缩性侧索硬化症（ALS）是一种表现为快速进展的神经退化性疾病，目前在医疗干预和治疗方案方面仅为患者提供有限的选择。该疾病呈现多样化的发病模式和进展轨迹，突显了及早检测功能衰退的重要性，以便实施个性化护理策略并及时进行治疗干预。本次调查由 iDPP@CLEF 2024 挑战赛发起，聚焦于利用通过应用程序获取的传感器数据。该数据用于构建各种机器学习模型，专为预测ALS功能评分修订版（ALSFRS-R）的进展而设计。我们对比评估了多种预测模型的效果，以确定其在处理 ALS 传感器数据方面的效能。我们采用统计方法压缩并整合传感器数据的时序特征，从而增强所收集信息的可解释性和针对预测建模目标的适用性。实验结果表明，最佳性能的模型为朴素基线模型和弹性网回归。朴素模型实现了平均绝对误差（MAE）为 0.20，均方根误差（RMSE）为 0.49，略胜于弹性网模型，后者的 MAE 为 0.22，RMSE 为 0.50。我们的比较分析表明，尽管朴素方法在预测准确性上略占上风，弹性网模型为理解特征贡献提供了稳健的框架。
引用
@article{arxiv.2407.08003,
title = {Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data},
author = {Ritesh Mehta and Aleksandar Pramov and Shashank Verma},
journal= {arXiv preprint arXiv:2407.08003},
year = {2024}
}
备注
Paper submitted to CLEF 2024 CEUR-WS