神經退行性疾病 - 如肌萎縮性側索硬化癥(ALS，或Lou Gehrig病)，阿爾茨海默氏癥和帕金森氏癥 - 是復雜的慢性疾病，可以呈現(xiàn)各種癥狀，以不同的速度惡化，并且有許多潛在的遺傳和環(huán)境原因，其中一些是未知的。特別是ALS影響自愿肌肉運動，并且總是致命的，但是雖然大多數(shù)人在診斷后只能存活幾年，但其他人患有這種疾病幾十年。ALS的表現(xiàn)也可能有很大差異;通常，疾病發(fā)展緩慢與四肢發(fā)病和影響精細運動技能相關，而更嚴重的延髓 ALS 會影響吞咽、說話、呼吸和活動能力。因此，了解ALS等疾病的進展對于臨床試驗的招募，潛在干預措施的分析和根本原因的發(fā)現(xiàn)至關重要。
然而，評估疾病演變遠非簡單。目前的臨床研究通常假設健康狀況在癥狀評級量表上呈向下線性軌跡下降，并使用這些線性模型來評估藥物是否正在減緩疾病進展。然而，數(shù)據表明，ALS通常遵循非線性軌跡，癥狀穩(wěn)定的時期與癥狀快速變化的時期交替出現(xiàn)。由于數(shù)據可能很少，并且健康評估通常依賴于在不均勻的時間間隔內測量的主觀評級指標，因此很難在患者群體之間進行比較。這些異構數(shù)據和進展反過來又使發(fā)明有效性分析復雜化，并可能掩蓋疾病起源。
現(xiàn)在，由麻省理工學院，IBM研究院和其他地方的研究人員開發(fā)的一種新的機器學習方法旨在更好地表征ALS疾病進展模式，為臨床試驗設計提供信息。
“有一群人分享進展模式。例如，有些似乎具有非?？焖龠M展的ALS，而另一些則具有隨時間變化的緩慢進展的ALS，“麻省理工學院的研究專家Divya Ramamoorthy博士說，他是本月發(fā)表在《自然計算科學》上的一篇關于這項工作的新論文的主要作者。“我們要問的問題是：我們能否使用機器學習來確定是否存在以及在多大程度上存在這些類型的個體一致模式?”
事實上，他們的技術確定了ALS進展中離散而穩(wěn)健的臨床模式，其中許多是非線性的。此外，這些疾病進展亞型在患者群體和疾病指標中是一致的。該團隊還發(fā)現(xiàn)，他們的方法也可以應用于阿爾茨海默氏癥和帕金森病。
加入拉馬穆爾西論文的是麻省理工學院-IBM沃森人工智能實驗室成員歐內斯特·弗蘭克爾，麻省理工學院生物工程系教授;IBM研究院的研究科學家蘇米亞·戈什;以及IBM研究院的首席研究科學家肯尼·吳。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！