外媒 | 机器学习发现ALS和阿尔茨海默病的新衰退模式-普瑞纯证

麻省理工学院的研究人员开发了一种机器学习工具，能够识别神经退行性疾病如ALS、阿尔茨海默病和帕金森病的新衰退模式。这种工具有助于更好地了解这些疾病的进展，为临床试验、疾病原因的发现和可能的干预和治疗提供分析。神经退行性疾病通常很复杂，伴随着各种症状，进展速度也不同。ALS对于医疗提供者和研究人员来说是一个挑战，因为它的表现可以有很大的变化。虽然该疾病影响自主肌肉运动并且始终是致命的，但有些患者的疾病发展较慢，肢体有发病，影响精细运动技能。其他人则经历更严重的疾病发展，严重影响吞咽、呼吸、说话和行动能力。同样，ALS患者的生活质量和结果也有所不同。大多数ALS患者在诊断后只能活几年，而其他人则能活数十年。这些复杂性和变异性使了解神经退行性疾病如ALS、阿尔茨海默病和帕金森病的进展对于临床试验的招募、疾病原因的发现和可能的干预和治疗至关重要。因此，麻省理工学院的研究人员开发了一种更好地表征ALS进展的方法。研究中的主要作者、麻省理工学院的研究专家Divya Ramamoorthy在新闻发布会上表示：“有一些人群共享进展模式。例如，有些人似乎有快速进展的ALS，而其他人则有随时间变化的缓慢进展的ALS。”“我们要问的问题是：我们能否使用机器学习来识别这些类型的一致模式是否存在，以及存在的程度？”研究人员在研究中指出，评估神经退行性疾病的进展可能会面临许多挑战。例如，许多研究和临床试验假定健康状况会呈线性下降趋势。然而，一些研究表明，这在ALS中并不总是正确的。用于此研究的数据也可能稀疏、主观或低质量。为了构建他们的模型并帮助解决这些挑战，研究人员依靠了来自ALS临床试验和观察研究的五个纵向数据集。他们使用了衡量症状发展的金标准，称为ALS功能评估量表（ALSFRS）。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。