Klinische monitoring van functionele achteruitgang bij ALS is gebaseerd op periodieke beoordelingen, waarbij cruciale veranderingen tussen bezoeken kunnen worden gemist, terwijl tijdige interventies juist dan het meest effectief zijn. Om deze leemte op te vullen, zijn semi-gesuperviseerde regressiemodellen met pseudolabeling ontwikkeld om de achteruitgang te schatten in een reeks van drie ALS-patiënten, waarbij de focus lag op ALSFRS-R-trajecten met continue sensorgegevens thuis. We hebben drie modelparadigma’s (individueel batchleren en batchleren op cohortniveau versus incrementeel, fijn afgestemd transferleren) vergeleken voor lineaire helling, kubieke polynomen en samengestelde pseudo-labelinterpolaties met zelfaandacht.
De resultaten toonden homogeniteit op cohortniveau aan voor alle functionele domeinen, waarbij transfer learning de voorspellingsfout voor ALSFRS-R-subschalen in 28 van de 34 contrasten verminderde (gemiddelde RMSE = 0,20 (0,14–0,25)). Voor samengestelde ALSFRS-R-scores was individueel batchleren optimaal bij 2 van de 3 deelnemers (gemiddelde RMSE = 3,15 (2,24–4,05)). Zelfaandachtinterpolatie legde de niet-lineaire progressie het beste vast en leverde de laagste fout op subschaalniveau op (gemiddelde RMSE = 0,19 (0,15–0,23)), waarmee het in 21 van de 34 contrasten beter presteerde dan lineaire en kubieke interpolaties. Omgekeerd leverde lineaire interpolatie nauwkeurigere samengestelde voorspellingen op (gemiddelde RMSE = 3,13 (2,30–3,95)). Er werden verschillende homogeniteits-heterogeniteitsprofielen geïdentificeerd voor verschillende domeinen, waarbij ademhalings- en spraakfuncties patiëntspecifieke progressiepatronen vertoonden die verbeterden met gepersonaliseerde incrementele fijnafstemming, terwijl slik- en aankleedfuncties trends op cohortniveau volgden die geschikt waren voor batchtransfermodellering.
Deze bevindingen geven aan dat het dynamisch afstemmen van leertechnieken en pseudolabelingtechnieken op functionele domeinspecifieke homogeniteits-heterogeniteitsprofielen de voorspellende nauwkeurigheid bij het volgen van de progressie van ALS verbetert. Als verkennend pilotproject weerspiegelen deze resultaten eerder observaties op casusniveau dan effecten op populatieniveau. Door adaptieve modelselectie te integreren in sensorplatforms kunnen tijdige interventies mogelijk worden als methode voor schaalbare implementatie in toekomstige multicenterstudies.
Vertaling: Ann Bracke
Bron: Frontiers in Digital Health