Machine Learning and Feature Selection Methods to Predict 1-Year Disease Progression for Amyotrophic Lateral Sclerosis
Apprentissage Machine et Méthodes de Sélection de Variables pour la Prédiction de la Progression de la Sclérose Latérale Amyotrophique à 1 An
Résumé
Background: This study focuses on Amyotrophic Lateral Sclerosis (ALS), a progressive neurodegenerative disease that affects motor neurons. ALS patients suffer from motor weakness, atrophy, spasticity, and difficulties in speaking, swallowing and breathing. Predicting the survival and progression of ALS is essential for optimising patient care, interventions and informed decision-making. Methods: Using the PRO-ACT (Pooled Resource Open-Access ALS Clinical Trials) database and clinical trial data from Exonhit Therapeutics, we applied machine learning techniques to predict disease progression based on ALS Functional Rating Scale (ALSFRS) scores and patient survival over one year of follow-up. Our models were validated through 10-fold cross-validation. Kaplan-Meier estimation was used to cluster patients effectively according to their profiles. To enhance the predictive accuracy of our models, we performed feature selection prior to analysis. Results: Logistic regression combined with feature selection yielded a Balanced Accuracy score of 76% (68.6% to 79.8% in each fold) on validation data and 76.33% on test data. Integrating model results with a Kaplan-Meier estimates, we identified four patient clusters, with a C-Index of 0.81 and an overall log-rank test p-value ≤ 0.0001. Our method demonstrated high accuracy in predicting ALS-FRS score progression at 3 months (RMSE = 2.88 and adjusted R² = 0.784 with random forest). This study showcases the potential of machine learning models to provide significant predictive insights in ALS, enhancing the understanding of disease dynamics and supporting patient care.
Contexte : Cette étude porte sur la sclérose latérale amyotrophique (SLA), une maladie neurodégénérative progressive qui affecte les neurones moteurs. Les patients atteints de SLA souffrent de faiblesse motrice, d'atrophie, de spasticité et de difficultés à parler, à avaler et à respirer. Prédire la survie et la progression de la SLA est essentiel pour optimiser les soins aux patients, les interventions et la prise de décision éclairée. Méthodes : En utilisant la base de données PRO-ACT (Pooled Resource Open-Access ALS Clinical Trials) et les données des essais cliniques d'Exonhit Therapeutics, nous avons appliqué des techniques d'apprentissage machine pour prédire la progression de la maladie sur la base des scores de l'ALS Functional Rating Scale (ALSFRS) et de la survie des patients suivis sur un an. Nos modèles ont été validés par une validation croisée avec 10 découpages. L'estimation de Kaplan-Meier a été utilisée pour regrouper efficacement les patients en fonction de leur profil. Pour améliorer la précision de nos modèles, nous avons procédé à une sélection de variables avant l'analyse. Résultats : La régression logistique combinée à la sélection de variables a permis d'obtenir une exactitude équilibrée de 76% (68.6% à 79.8% dans chaque découpage) sur les données de validation et de 76.33% sur les données de test. En intégrant les résultats du modèle aux estimations de Kaplan-Meier, nous avons identifié quatre groupes de patients, avec un indice C de 0.81 et une p-valeur globale du test du log-rank ≤ 0,0001. Notre méthode a démontré une grande précision dans la prédiction de l'évolution du score ALSFRS à 3 mois (RMSE = 2.88 et R² ajusté = 0.784 avec la forêt aléatoire). Cette étude met en évidence le potentiel des modèles d'apprentissage machine pour fournir des informations prédictives significatives sur la SLA, améliorant la compréhension de la dynamique de la maladie et soutenant les soins aux patients.
Origine | Fichiers produits par l'(les) auteur(s) |
---|