Ученые, используя ИИ, разработали модель для прогнозирования бессимптомного заболевания полиглутамина

Исследователи с кафедры неврологии Университета Ниигата разработали модель, использующую машинное обучение, для прогнозирования вероятности развития бессимптомной формы спинно-мозжечковой дегенерации в зависимости от текущего возраста и числа повторов CAG у носителей генетической мутации.

Машинное обучение - это подраздел искусственного интеллекта, который изучает методы и алгоритмы, позволяющие компьютерным системам извлекать знания из опыта и данных, и использовать их для автоматического обучения и принятия решений без явного программирования.

Заболевания, связанные с полиглутаминовыми расширениями, такие как DRPLA и SCA3, возникают из-за увеличения числа повторов CAG в соответствующих генах. Известно, что количество повторов CAG обратно связано с возрастом начала развития этих заболеваний. Для прогнозирования возраста начала заболевания традиционно использовался параметрический анализ выживаемости, однако, требовалось разработать более точный метод прогнозирования.

"Это исследование важно для генетического консультирования для планирования карьеры. В будущем мы продолжим анализ с большим количеством случаев в нескольких центрах, стремясь к более точному прогнозированию вероятности возникновения заболевания", - сказал д-р Хатано и доктор Исихара.

Исследователи провели сравнительный анализ двух методов машинного обучения, основанных на анализе выживаемости, для прогнозирования возраста начала развития заболевания. В сравнении с шестью параметрическими анализами выживания, два метода машинного обучения - Random Survival Forest и DeepSurv - показали более высокую точность прогнозирования. Особенно Random Survival Forests проявились с самой высокой точностью и были выбраны для окончательного прогнозирования. Информация об этом размещена в журнале Medical Xpress.

0 комментариев