Machine learning kan helpen de progressie van ALS te voorspellen
17-01-2023
Hoe langer de vertraging bij de diagnose, hoe slechter de uitkomst, zo blijkt ook uit de
studie.
Deep machine learning modellen die gebruik maken van neurale netwerken -
computeralgoritmen geïnspireerd op de biologische netwerken van de menselijke hersenen -
kunnen helpen het verloop van ALS te voorspellen, zo meldt een nieuwe studie.
De modellen toonden ook consequent aan dat een langere vertraging tussen het begin van
de ziekte en de diagnose een krachtige voorspeller is van slechtere langetermijnresultaten,
wat het belang van een vroege diagnose benadrukt.
De studie, "Deep learning methods to predict amyotrophic lateral sclerosis disease
progression," werd gepubliceerd in Scientific Reports.
ALS is een bekend moeilijk te voorspellen ziekte - de progressiesnelheid kan van persoon
tot persoon aanzienlijk verschillen, en onzekerheid over de prognose kan het voor patiënten
en hun familie moeilijker maken om plannen voor de toekomst te maken.
Machinaal leren is een vorm van analyse waarbij een computer een reeks gegevens te zien
krijgt, samen met een reeks algoritmen die de computer gebruikt om de gegevens te
"begrijpen". Hierdoor kan de computer "leren" hoe hij de gegevens moet interpreteren
volgens de voorgeschreven wiskundige regels. Een bloeiend onderzoeksgebied onderzoekt
hoe modellen voor machinaal leren kunnen worden toegepast om de resultaten van ALS en
andere ziekten te voorspellen.
Voor deze studie creëerden Italiaanse wetenschappers machine-learning algoritmen,
"neurale netwerken" genaamd, om het verloop van ALS te voorspellen. Een neuraal
netwerk-algoritme voor machinaal leren maakt gebruik van een reeks procedures die zijn
ontworpen om na te bootsen hoe informatie wordt verwerkt door netwerken van neuronen
(zenuwcellen) in de hersenen.
Het team ontwierp en testte specifiek drie verschillende soorten neurale netwerkstructuren,
die "feed-forward", "convolutioneel" en "recurrent" worden genoemd.
Om de modellen te ontwikkelen en te testen, gebruikten de onderzoekers gegevens uit de
Pooled Resource Open-Access ALS Clinical Trials (PRO-ACT) repository, een database met
langetermijnresultaten en klinische informatie van ALS-patiënten die deelnamen aan
klinische proeven.
PRO-ACT "biedt de grootste publiek beschikbare dataset van samengevoegde ALS
klinische proeven" met "longitudinale gegevens voor meer dan tienduizend patiënten",
schreven de onderzoekers. Zij merkten echter ook op dat de dataset "niet representatief is
voor een algemene ALS-verdeling", aangezien de patiënten in de dataset over het algemeen
jonger zijn en dichter bij het begin van de ziekte.
Met behulp van gegevens van meer dan 250 verschillende demografische en klinische
variabelen werden de neurale netwerken getraind om uitkomsten te voorspellen op de ALS
Functional Rating Scale (ALSFRS), een gestandaardiseerde maat voor ziekteprogressie. De
neurale netwerk algoritmen werden vergeleken met twee eerder beproefde machine-learning
algoritmen, Random Forest Regressor (RF) en Bayesian Additive Regression Trees (BART).
Statistische tests wezen uit dat al deze modellen vergelijkbare prestaties leverden, met
enkele relatieve voor- en nadelen voor elk model. Vergeleken met RF en BART hadden de
neurale netwerkmodellen over het algemeen kleinere foutmarges, maar ook iets minder
nauwkeurigheid in het algemeen vergeleken met BART. Van de neurale netwerken
presteerde het "convolutionaire" model over het algemeen het best.
"Terwijl deep learning neurale netwerkmodellen vergelijkbaar presteerden met
state-of-the-art modellen, boden ze geen beslissend voordeel," schreven de onderzoekers,
waarbij ze opmerkten dat de neurale netwerken "een licht voordeel" vertoonden in sommige
statistische tests, maar "een licht nadeel" in andere.
Meest voorspellende factor
In al deze modellen was de enige factor die de algemene resultaten het best voorspelde de
tijd tussen het begin van de ALS-symptomen en het tijdstip waarop de ziekte werd
vastgesteld.
De onderzoekers testten ook of de modellen de overlevingskansen konden voorspellen. De
resultaten lieten over het algemeen zwakke correlaties zien. Met andere woorden, de
modellen waren niet erg nauwkeurig in het voorspellen van de overlevingskansen van
individuele patiënten. Maar de resultaten toonden aan dat de modellen patiënten nauwkeurig
konden verdelen in "snelle progressieven" en "middelmatige progressieven", met consistent
betere lange termijn overlevingspercentages in de groep met langzamere progressie.
"Ondanks de beperkingen in de prestaties van het model, toonden wij aan dat de voorspelde
ALSFRS-helling in staat is om snelle progressieven met een slechtere overleving te
onderscheiden van middelmatige progressieven en dus voorspellend is voor concrete
klinische gebeurtenissen in de geschiedenis van de patiënt," concludeerden de
onderzoekers.
Vertaling: Ann Bracke
Bron: ALS News Today