摘要

本文探讨了利用传感器数据通过机器学习模型预测肌萎缩侧索硬化症（ALS）患者的ALS功能评定量表修订版（ALSFRS-R）评分的问题。ALS是一种快速进展的神经退行性疾病，早期检测功能下降对于实施个性化护理策略和及时治疗干预至关重要。研究通过iDPP@CLEF 2024挑战赛，利用从应用程序收集的传感器数据构建多种机器学习模型，旨在预测ALSFRS-R评分的进展。研究评估了多个预测模型，包括朴素模型和ElasticNet回归模型，结果显示朴素模型在预测准确性上略优于ElasticNet模型。本文的研究不仅展示了传感器数据与机器学习结合的潜力，也为ALS患者的护理和治疗管理提供了新的视角。

原理

本文的核心工作原理在于利用传感器数据和机器学习技术来预测ALS患者的ALSFRS-R评分。传感器数据通过应用程序收集，包含了患者的日常活动信息，这些数据经过预处理和特征提取后，被用于训练机器学习模型。模型包括朴素模型和ElasticNet回归模型，其中朴素模型简单地将最后一个观测值作为预测值，而ElasticNet模型则通过结合L1和L2正则化来避免过拟合，并提供对特征贡献的理解。此外，还探索了长短期记忆网络（LSTM）来处理时间序列数据，捕捉数据中的长期依赖关系。

流程

研究的工作流程包括数据收集、预处理、特征生成、模型训练和评估。首先，通过应用程序收集患者的传感器数据和静态数据。接着，对数据进行预处理，包括同步临床数据和传感器数据，处理缺失值和异常值。然后，生成特征，包括基于目标的特征、静态特征和传感器数据特征。模型训练阶段，使用了多种机器学习算法，包括朴素模型、ElasticNet回归和LSTM。最后，通过交叉验证和外部测试集评估模型的性能，使用均方根误差（RMSE）和平均绝对误差（MAE）作为评估指标。

应用

本文的研究成果具有广泛的应用前景，特别是在ALS患者的日常监测和疾病进展预测中。通过精确预测ALSFRS-R评分，医疗专业人员可以更有效地调整治疗方案，提高患者的生活质量。此外，该方法还可以扩展到其他神经退行性疾病的研究和治疗中，为个性化医疗提供技术支持。