将远程检测与机器学习相结合，用于在家识别小脑性共济失调的指标

《Communications Medicine》：Integrating remote testing and machine learning to identify markers of cerebellar ataxia at home

　　

摘要

背景

面对罕见疾病，传统面对面评估存在可及性、可扩展性以及地域差异等方面的问题。此外，小脑性共济失调的非运动症状往往被忽视。我们旨在利用互联网和机器学习技术来弥补这些缺陷。

方法：

在这项双中心研究中，我们从两个国家的57个不同地点招募了100名参与者：30名小脑性共济失调患者，45名神经功能正常者，以及25名帕金森病患者。我们使用便捷的在线工具对认知、焦虑、抑郁、社会支持及人格等多个方面进行了评估。并通过留一法交叉验证和特征重要性分析，来检验机器学习模型区分不同群体的能力，以及确定最敏感且特异的预测因子。

结果

仅基于这些远程获取的非运动症状特征训练的机器学习模型，通过留一法交叉验证得到的AUC值分别为0.74/0.76（小脑性共济失调患者与神经功能正常者对比）和0.78/0.79（小脑性共济失调患者与帕金森病患者对比），其分类准确率超过20%。

结论

这些研究结果表明，将数字健康技术与机器学习模型相结合用于评估小脑性共济失调的非运动症状具有很大价值，有望成为可广泛应用的数字化检测指标。