基于移动端数据与机器学习模型的多发性硬化症高严重性症状预测研究

本研究针对多发性硬化症(MS)临床监测数据稀疏性问题，开发了MS Mosaic移动应用采集纵向数据，通过梯度提升分类器(GBC)等5种机器学习模型预测疲劳、感觉障碍等5种高严重性症状的3个月发病风险。结果显示GBC的AUROC达0.824-0.899，显著优于深度学习模型，为MS的个性化症状管理提供了数字化解决方案。

　　

多发性硬化症(MS)作为一种免疫介导的中枢神经系统疾病，其症状管理长期面临临床监测数据不足的挑战。传统依赖磁共振成像(MRI)和年度临床评估的模式，难以捕捉疾病进展中的细微变化。随着智能手机和可穿戴设备的普及，持续采集患者数据成为可能，但如何利用这些数据预测高严重性症状仍属空白。

Google Research联合加州大学圣地亚哥分校等机构的研究人员开展了名为MS Mosaic的突破性研究。团队开发了专用移动应用，在3年观察期内收集了713名美国MS患者的纵向数据，包括每日症状评分、功能测试和被动生理指标。研究创新性地采用机器学习方法预测疲劳、感觉障碍等5种临床可干预症状的未来3个月恶化风险，相关成果发表在《Scientific Reports》期刊。

研究采用五大技术方法：(1)开发MS Mosaic移动应用采集多模态数据；(2)构建包含567名患者的开发队列和146名患者的盲测队列；(3)设计滑动时间窗口将数据转化为序列特征；(4)比较逻辑回归(LR)、梯度提升分类器(GBC)等5种算法性能；(5)通过特征消融实验评估数据贡献度。

研究结果

模型判别性能

梯度提升分类器(GBC)在盲测队列中表现最优，对痉挛症状的AUROC达0.886(95%CI 0.870-0.901)，显著优于时态卷积网络(TCN)等深度学习模型。所有症状预测的阳性预测值(PPV)介于0.731-0.800之间。

模型校准

GBC的Brier评分最低(0.063-0.160)，显示其预测概率与实际观察结果高度一致。校准曲线证实该模型在所有症状预测中均保持良好校准特性。

亚组分析

在复发缓解型(RRMS)和继发进展型(SPMS)患者中预测性能最佳(AUROC>0.85)，而原发进展型(PPMS)因样本量小(仅3例)结果不稳定。年龄分层显示各年龄段预测性能无显著差异。

关键预测特征

症状历史轨迹是最强预测因子，但特征消融实验表明，即使移除目标症状历史数据，GBC仍能通过其他特征保持较高预测性能(AUROC下降0.048-0.131)。被动生理信号(如步数)的预测贡献度最低。

结论与讨论

该研究首次证明移动健康数据结合传统机器学习可有效预测MS症状进展。GBC的优异表现挑战了"深度学习必然优于传统方法"的认知，特别是在小规模时序数据场景下。研究为MS的精准管理提供了新范式：

临床价值方面，提前3个月预测症状恶化可使医生调整治疗方案，如针对预测的行走障碍提前安排物理治疗。技术层面，研究证实轻量级问卷调查结合有限可穿戴数据即可实现高精度预测，有利于临床转化。

局限性包括：症状评分存在主观偏差、iOS平台限制导致人群代表性不足、药物数据因标准化不足被排除分析。未来研究将扩展至Android平台，并探索联邦学习保护隐私。这项工作为慢性病的数字化管理树立了新标杆，推动医疗AI向实用化方向发展。