AI dan Penyakit Langka Neurologis & Neuroimun ── 2026-10-14

2 makalah dalam edisi ini. Utama: Analysis of Differentially Expressed Genes in Alzheimer's, Parkinson's, and Frontotemporal Dementia Using Machine Learning Algorithm

Makalah baru tentang penyakit langka saraf dan neuroimun serta AI, dikumpulkan dari feed jurnal, PubMed (dicari di semua jurnal) dan OpenAlex (indeks publik yang digunakan sebagai pengganti Google Scholar), dinilai oleh Jev (AI yang membuat penilaian bahasa): penelitian orisinal, AI sebagai inti, termasuk salah satu dari 9 kelompok penyakit, terapi atau uji coba, lalu diberi peringkat berdasarkan kepentingan hingga batas harian. Jurnal tidak disaring berdasarkan faktor dampak; setiap makalah menampilkan IF-ekuivalen jurnalnya (rata-rata sitasi dua tahun OpenAlex) dan tanggal nilai tersebut. Setiap entri menampilkan abstrak asli secara lengkap.

Baca menurut penyakit: Riset dasar（0） · ALS（0） · Parkinson（1） · Neurodegenerasi herediter（0） · Neuromuskular（0） · Sklerosis multipel（0） · NMOSD/MOGAD（0） · Miastenia gravis（1） · Ensefalitis autoimun/CIDP/GBS（0）

Penelitian neurodegenerasi dan neuroimunologi serta AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

ALS: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Penyakit Parkinson dan parkinsonisme: pengobatan, uji klinis, dan AI

Analisis Gen yang Terekspresi Secara Diferensial pada Alzheimer, Parkinson, dan Demensia Frontotemporal Menggunakan Algoritma Pembelajaran Mesin
CRC Press eBooks · 2026-10-12 · Bukti: Praklinis (analisis in silico terhadap dataset ekspresi gen publik)
Abstrak
Penyakit otak seperti Demensia Frontotemporal (FTD), Parkinson (PD), dan Alzheimer (AD) merupakan penyakit neurodegeneratif yang memicu neuroinflamasi dan salah lipat protein. Namun, diagnosis penyakit tersebut tetap menantang karena kompleksitas dan variabilitas data. Studi ini mengidentifikasi tanda tangan molekuler dengan menerapkan teknik machine learning (ML) menggunakan dataset microarray yang telah dikurasi. Dataset dikumpulkan dari National Center for Biotechnology Information (NCBI) Gene Expression Omnibus (GEO). Berdasarkan analisis berbasis R pada GEO (GEO2R) serta paket Limma, diperoleh gen-gen yang terekspresi (|logFC| ≥ 0.5; adj.P.Val ≤ 0.05). Model ML dengan Support Vector Machine (SVM) dikembangkan dengan melatih dan memvalidasi gen-gen tersebut. SVM menunjukkan presisi dan recall yang sangat tinggi. Heatmap memastikan kualitas data. Penelitian ini menegaskan kemampuan biomarker statistik dan pembelajaran kolektif untuk membedakan profil ekspresi gen yang spesifik pada penyakit, sehingga memungkinkan pengembangan diagnostik berbasis gen. Ke depan, untuk meningkatkan interpretabilitas dan perbaikan model, data struktural genomik dapat dimasukkan. Hal ini membantu mengidentifikasi gen abnormal untuk kesimpulan lebih lanjut.
IF jurnal: tidak diketahui (tidak dapat dicocokkan)
Referensi: Manohar Mathkunti N, Rangaswamy S, Varsha VP, Bhat S. Analisis Gen yang Diekspresikan Secara Diferensial pada Penyakit Alzheimer, Parkinson, dan Demensia Frontotemporal Menggunakan Algoritma Pembelajaran Mesin. Interdisciplinary Approaches to Sustainable Research and Development in Science, Technology, and Socio-Economic Studies. 2026 Oct 12 [Epub ahead of print]. doi:10.1201/9781042035762-123.
Diperiksa: Hanya abstrak

Lihat semua 1 makalah Parkinson →

Penyakit neurodegeneratif herediter: pengobatan, uji coba, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Penyakit neuromuskular (distrofi otot, SMA): pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Multiple sclerosis: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

NMOSD dan MOGAD: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Myasthenia gravis: pengobatan, uji klinis, dan AI

Model Machine Learning yang Dapat Dijelaskan untuk Penilaian Personal Kebutuhan Perawatan Intensif pada Pasien Miastenia Gravis Berdasarkan Fenotipe dan Penanda Inflamasi.
QJM : jurnal bulanan Association of Physicians · 2026-10-12 · Bukti: Studi observasional retrospektif
Abstrak
LATAR BELAKANG: Identifikasi dini eksaserbasi berat miastenia gravis (MG) yang memerlukan perawatan di unit perawatan intensif (ICU) masih menantang karena penyakit ini sangat heterogen. Model yang ada jarang memasukkan stratifikasi fenotipe, sehingga membatasi interpretabilitas dan kegunaan klinis. TUJUAN: Studi ini bertujuan mengembangkan model pembelajaran mesin (ML) yang dapat dijelaskan untuk menilai faktor risiko spesifik fenotipe dan memprediksi masuknya pasien MG ke ICU. DESAIN DAN METODE: Studi retrospektif ini mencakup 319 pasien MG yang dirawat inap. Kami menggunakan variabel klinis dan penanda inflamasi sistemik untuk pemodelan ML. Subkelompok ditetapkan sebelumnya berdasarkan status timoma dan usia saat onset. Luaran utama adalah kebutuhan perawatan intensif selama rawat inap. Kinerja model dinilai. SHapley Additive exPlanations (SHAP) digunakan untuk menginterpretasikan fitur secara global dan individual. HASIL: Dari 319 perawatan, 33 (10,3%) memerlukan perawatan ICU. Empat model ML dilatih dengan validasi 3-lipat bersarang. eXtreme Gradient Boosting memberikan kinerja terbaik (AUC: 0,94). SHAP menempatkan klasifikasi klinis MGFA, infeksi selama perawatan, indeks massa tubuh, dan indeks inflamasi sebagai prediktor utama. Analisis subkelompok mengungkap pola spesifik fenotipe, termasuk arah SHAP yang berlawanan untuk penanda inflamasi antara kelompok timoma dan non-timoma serta peringkat yang berbeda antara kelompok usia onset yang berbeda. Penjelasan personal berbasis SHAP mengungkap variasi spesifik pasien dalam peringkat risiko dan arah fitur prediktif. Kalkulator berbasis web dikembangkan untuk mendukung penerapan model secara klinis secara real-time, yang berpotensi memungkinkan stratifikasi risiko. KESIMPULAN: Kerangka kerja pembelajaran mesin yang dapat dijelaskan, yang mengintegrasikan fitur klinis dengan indeks inflamasi sistemik, secara andal memprediksi masuknya pasien MG ke ICU dan mengungkap pola risiko spesifik fenotipe, sehingga memungkinkan stratifikasi risiko yang dipersonalisasi dalam penatalaksanaan MG.
Setara IF jurnal: 0.5 (rata-rata sitasi 2 tahun OpenAlex, nilai per 2026-10-13, diambil 2026-10-14; bukan IF resmi Clarivate)
Referensi: Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Model Pembelajaran Mesin yang Dapat Dijelaskan untuk Penilaian Personal terhadap Kebutuhan Perawatan Intensif pada Pasien Miastenia Gravis Berdasarkan Fenotipe dan Penanda Inflamasi. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub ahead of print]. doi:10.1093/qjmed/hcag289.
Diperiksa: Hanya abstrak

Lihat semua 1 makalah Miastenia gravis →

Ensefalitis autoimun, CIDP, dan sindrom Guillain-Barré: pengobatan, uji klinis, dan AI

Belum ada makalah baru yang memenuhi syarat untuk edisi ini.

Bagaimana makalah dipilih: (1) dikumpulkan dari umpan jurnal, PubMed (semua jurnal), dan OpenAlex; (2) editorial, koreksi, dan item tanpa istilah bidang/AI dihapus; (3) Jev menilai empat hal (penelitian orisinal ≥ 0,6, AI ≥ 0,6, salah satu dari 9 kelompok penyakit, pengobatan/uji klinis ≥ 0,5 untuk kelompok penyakit); (4) diurutkan berdasarkan tingkat kepentingan menurut Jev hingga batas harian (dua per kelompok); (5) ekuivalen IF hanya ditampilkan jika Jev memastikan kecocokan jurnal. Makalah yang tidak dapat dinilai oleh Jev tidak ditampilkan.