Back to search

National and Kapodistrian University of Athens

Comparison of machine learning methods for predicting disease progression in Duchenne Muscular Dystrophy

Abstract

dc:description

Η Μυϊκή Δυστροφία Duchenne είναι μια σπάνια γενετική νευρομυϊκή διαταραχή, με ποικίλα μοτίβα εξέλιξης της νόσου. Αν και έχουν γίνει αρκετές προσπάθειες για την ανάπτυξη προγνωστικών μοντέλων για την εξέλιξη της νόσου, οι μέθοδοι μηχανικής μάθησης δεν έχουν ακόμη χρησιμοποιηθεί για το σκοπό αυτό. Πρόσφατα, μέθοδοι μηχανικής μάθησης έχουν εφαρμοστεί με επιτυχία σε αναλύσεις επιβίωσης για διάφορες ασθένειες. Η μέθοδος Cox Proportional Hazards (CoxPH) θεωρείται η τυπική τεχνική για μια τέτοια ανάλυση. Σε αυτή την εργασία, χρησιμοποιούμε πραγματικά δεδομένα από ασθενείς με Μυϊκή Δυστροφία Duchenne για να συγκρίνουμε την απόδοση της CoxPH με τεχνικές μηχανικής μάθησης (Random Survival Forests, extra Survival Trees, Gradient Boosting Survival Analysis, Deep Learning for Survival Analysis και Catboost) ως προς την απόδοσή τους στην πρόβλεψη της εμφάνισης και του χρόνου εμφάνισης δύο σημαντικών σημείων στην εξέλιξη της νόσου: την απώλεια κινητικότητας και την ανάπτυξη αναπνευστικής ανεπάρκειας. Δημιουργούμε δύο διαφορετικά σύνολα δεδομένων για τα συμβάντα και αποδεικνύουμε ότι στην περίπτωσή μας, τα μοντέλα που βασίζονται σε μηχανική μάθηση μπορούν να αποδώσουν καλύτερα από τη μέθοδο CoxPH, με τη μέθοδο RSF να υπερέχει όλων και στις δύο περιπτώσεις. Επιπλέον, υπολογίζουμε τις τιμές Shapley Additive Explanation (SHAP) για να εξηγήσουμε τις προβλέψεις των μοντέλων. Συμπεραίνουμε ότι η διαφορά στην απόδοση των μεθόδων μπορεί να αποδοθεί στην ικανότητα των μεθόδων που βασίζονται σε μηχανική μάθηση να χειρίζονται τον μεγάλο αριθμό χαρακτηριστικών και να μοντελοποιούν μη γραμμικές σχέσεις και σύνθετες αλληλεπιδράσεις μεταξύ τους. Τέλος, σχολιάζουμε τις δυνατότητες των μεθόδων εξήγησης μηχανικής μάθησης ως προς τη διαφάνεια της διαδικασίας λήψης των αποφάσεων τους και τον εντοπισμό σχετικών προγνωστικών παραγόντων. Αυτό είναι ιδιαίτερα σημαντικό στο πλαίσιο των σπάνιων ασθενειών και της υγειονομικής περίθαλψης ευρύτερα, καθώς η ανάπτυξη εξηγήσιμων μεθόδων μηχανικής μάθησης μπορεί να ενισχύσει σημαντικά την εμπιστοσύνη και την υιοθέτηση καινοτόμων τεχνικών σε κλινικά περιβάλλοντα.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Βόζη Ασπασία
  • Vozi Aspasia

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:3336696

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Βόζη Ασπασία; Vozi Aspasia. Comparison of machine learning methods for predicting disease progression in Duchenne Muscular Dystrophy. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3336696