Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data

本文介绍了肌萎缩侧索硬化症（ALS）的特点，它是一种快速进展的神经退行性疾病，医学干预和治疗方案有限。该疾病表现出多样化的发病模式和进展轨迹，强调早期检测功能下降的重要性，以便制定量身定制的护理策略和及时的治疗干预。本文旨在利用通过应用程序获得的传感器数据，重点研究iDPP@CLEF 2024挑战赛。该数据用于构建各种机器学习模型，专门设计用于预测ALS功能评分量表-修订版（ALSFRS-R）得分的进展情况，利用组织者提供的数据集。在我们的分析中，评估了多个预测模型，以确定它们在处理ALS传感器数据方面的功效。传感器数据的时间方面使用统计方法进行压缩和合并，从而增强了收集信息的可解释性和适用性，以实现预测建模目标。表现最佳的模型是天真基线和ElasticNet回归。天真模型实现了0.20的平均绝对误差（MAE）和0.49的均方根误差（RMSE），略优于ElasticNet模型，后者记录了0.22的MAE和0.50的RMSE。我们的比较分析表明，虽然天真方法产生了略微更好的预测准确性，但ElasticNet模型为理解特征贡献提供了一个强大的框架。

本论文试图通过利用传感器数据构建机器学习模型，预测ALS患者ALSFRS-R评分的进展情况，以提供早期干预和个性化治疗策略。

论文的关键思路是使用统计方法压缩和合并传感器数据，构建多个机器学习模型，其中naive baseline和ElasticNet regression表现最好。相比之前的研究，该论文的新意在于提供了一种新的方法来处理ALS患者的传感器数据。

论文使用iDPP@CLEF 2024挑战提供的数据集，对多个机器学习模型进行了比较，实验结果表明naive baseline和ElasticNet regression表现最好。此外，论文还提出了一种新的方法来处理传感器数据，增加了数据的可解释性和适用性。

近期的相关研究包括：1. Predicting ALS Disease Progression by Combining Clinical and Genetic Features；2. Machine learning models for the prediction of the ALSFRS-R score of ALS patients；3. A machine learning approach to the prediction of ALS disease progression using clinical and demographic data。