文摘
摘要目的:开发一个机器学习模型,可以准确地预测多发性硬化症(MS)为个体受试者疾病进展女士加入安慰剂的临床试验。
背景:控制臂的主要临床试验。准确预测多发性硬化(MS)患者个体的疾病进展控制臂对治疗方法的研究是有价值的,并且可以通过机器学习模型。丰富的高质量的数据,收集了来自控制武器在过去多次临床试验,提供了一个机会来构建一个模型,可以预测在未来的试验结果为对照组。
设计/方法:我们使用机器学习模型称为条件限制玻耳兹曼机(CRBM),旨在预测临床变量随时间变化的女士。开发这个模型,我们从数据中提取一个机器学习的数据集提供的多发性硬化的结果评估2465安慰剂组受试者在8财团女士的临床试验。我们的数据集包含了21个变量包括人口统计信息、功能评估,和残疾测量每3个月48个月。然后我们训练模型生成统计准确的预测和评估其能力,使用一组测试对象不习惯在训练。
结果:安慰剂受试者基线数据,CRBM模型可以生成数据对未来临床状态的个别科目统计的实际主题数据的关键措施,表明该模型能够生成数字对象相当于实际对象。值得注意的是,该模型准确地捕捉扩展残疾状态量表(eds)亚型女士轨迹和复发率。
结论:我们已经创建了一个subject-level模型可以预测未来的疾病进展女士安慰剂受试者在临床试验中。我们的模型可以应用在临床试验中,包括补充控制武器与数字对象生成自模型。
披露:沃尔什博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。史密斯博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。Pouliot博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。Li-Bland博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。Loukianov博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。Fisher博士已经收到个人赔偿咨询、担任科学顾问委员会,与Unlearn.AI来说,或其他活动。
