Fortschreiten der Parkinson-Krankheit: Es wird Zeit, die Daten zu nutzen

Das Fortschreiten der Parkinson-Krankheit gab der medizinischen Gemeinschaft lange Zeit Rätsel auf. Angesichts der Flut von Daten, Veröffentlichungen und Forscher:innen hat unser Team beschlossen, sich der Herausforderung zu stellen, das Wesen der Krankheit durch die Analyse von Biomarker-Daten zu verstehen, die den Krankheitsverlauf anzeigen.

Das Ziel: Parkinson erkennen, bevor er zuschlägt

Die Herausforderung besteht darin, neue Biomarker zu identifizieren, die zum Fortschreiten der Parkinson-Krankheit beitragen. Man geht davon aus, dass Veränderungen von Protein- und Peptidwerten entscheidende Indikatoren für den Krankheitsverlauf sind. Ziel ist es, zukünftige MDS-UPDRS-Werte (Unified Parkinson’s Disease Rating Scale) für Patient:innen vorherzusagen und damit einen Fahrplan für die Entwicklung wirksamer, personalisierter Therapien zu erstellen, da es keine Heilung für die Parkinson-Krankheit gibt.


Die Lösung: Ein Machine Learning-Modell zur Vorhersage von Krankheiten

Trotz der verfügbaren Überwachungsmethoden ist es immer noch schwierig, den Verlauf der Parkinson-Krankheit zuverlässig vorherzusagen.

Unser Spezialist:innen haben ein Modell des maschinellen Lernens (ML) vorgeschlagen, dass in der Lage ist, individuelle MDS-UPDRS-Werte auf der Grundlage der Protein- und Peptidwerte von PatientPatienten vorherzusagen.

Zu diesem Zweck haben wir die Daten von mehr als 10.000 Patient:innen, einschließlich deren Peptid-/Proteinwerte (aus Liquorproben) und früherer UPDRS-Scores, analysiert.

Dies erforderte eine sorgfältige Datenanalyse, um verborgene Muster und Korrelationen aufzudecken, die für das Training von ML-Algorithmen zur Vorhersage des Fortschreitens der Parkinson-Krankheit in bestimmten Intervallen entscheidend sind.

Python

Skripte

Pandas

Datenverarbeitung

CatBoost

Erstellung von Entscheidungsbäumen

XGBoost

Erstellung von Entscheidungsbäumen

Optuna

Optimierung der Hyperparameter

TabNet

Identifizierung von Mustern in tabellarischen Daten

Die Ergebnisse: Genaue Vorhersage zur Unterstützung der Diagnose

Es wurde ein funktionales ML-Modell entwickelt, dass den Verlauf der Parkinson-Krankheit vorhersagen kann. Ausgehend von Rohdaten hat das Team fehlende Datensätze ergänzt, Algorithmen trainiert und erfolgreich präzise Vorhersagen über den Verlauf der Parkinson-Krankheit getroffen, die ein wertvolles Instrument für die Diagnose und die Verbesserung der Behandlung darstellen.

Das Projekt war nicht nur eine wichtige Lernerfahrung, sondern auch die Anwendung von Datenanalyse und maschinellem Lernen auf eine reale Herausforderung mit positiven Auswirkungen für Menschen mit Parkinson.

Für ein tieferes Verständnis und eine Zusammenarbeit bei ähnlichen Projekten können Sie uns gerne kontaktieren.


Oder kontaktieren Sie uns gleich jetzt und lassen Sie uns gemeinsam Ihr Produkt entwickeln!

IHRE ANFRAGE