Longitudinal Missing Data Imputation for Predicting Disability Stage of Patients with Multiple Sclerosis

要約

多発性硬化症 (MS) は、神経機能 (運動、感覚、視覚、認知) の進行性または交互の障害を特徴とする慢性疾患です。
確率的かつ時間依存的なアプローチで疾患の進行を予測することは、疾患の進行を遅らせる介入を提案するのに役立つ可能性があります。
しかし、不規則に収​​集された縦断的データから有益な知識を抽出することは困難であり、欠落したデータは重大な課題を引き起こします。
MS の進行は、MS の障害を長期にわたって定量化および監視する拡張障害ステータス スケール (EDSS) によって測定されます。
EDSS は 8 つの機能システム (FS) の障害を評価します。
多くの場合、臨床医によって割り当てられた EDSS スコアのみが報告され、FS サブスコアは欠落しています。
これらのスコアを補完することは、特に疾患の進行にわたって評価された表現型に従って患者を層別化するのに役立つ可能性があります。
この研究の目的は、i) 欠落している FS サブスコアを代入するためのさまざまな方法論を探索すること、および ii) 完全な臨床データを使用して EDSS スコアを予測することです。
結果は、指数加重移動平均が欠損データ補完タスクで最も低いエラー率を達成したことを示しています。
さらに、代入には分類木と回帰ツリー、予測タスクには SVM を組み合わせることで最高の精度が得られました。

要約(オリジナル)

Multiple Sclerosis (MS) is a chronic disease characterized by progressive or alternate impairment of neurological functions (motor, sensory, visual, and cognitive). Predicting disease progression with a probabilistic and time-dependent approach might help in suggesting interventions that can delay the progression of the disease. However, extracting informative knowledge from irregularly collected longitudinal data is difficult, and missing data pose significant challenges. MS progression is measured through the Expanded Disability Status Scale (EDSS), which quantifies and monitors disability in MS over time. EDSS assesses impairment in eight functional systems (FS). Frequently, only the EDSS score assigned by clinicians is reported, while FS sub-scores are missing. Imputing these scores might be useful, especially to stratify patients according to their phenotype assessed over the disease progression. This study aimed at i) exploring different methodologies for imputing missing FS sub-scores, and ii) predicting the EDSS score using complete clinical data. Results show that Exponential Weighted Moving Average achieved the lowest error rate in the missing data imputation task; furthermore, the combination of Classification and Regression Trees for the imputation and SVM for the prediction task obtained the best accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google