ИИ и редкие неврологические и нейроиммунные заболевания ── 2026-10-14

2 статьи в этом выпуске. Главная: Analysis of Differentially Expressed Genes in Alzheimer's, Parkinson's, and Frontotemporal Dementia Using Machine Learning Algorithm

Новые статьи о редких неврологических и нейроиммунных заболеваниях и ИИ, собранные из журнальных лент, PubMed (поиск по всем журналам) и OpenAlex (открытый индекс, используемый вместо Google Scholar), оцененные Jev (ИИ, выносящим языковые суждения): оригинальное исследование, ИИ в центре работы, какая из 9 групп заболеваний, лечение или испытания, а затем ранжированные по важности в пределах суточного лимита. Журналы не фильтруются по импакт-фактору; для каждой статьи указан эквивалент IF её журнала (двухлетняя средняя цитируемость OpenAlex) и дата этого значения. В каждой записи приведена полная оригинальная аннотация.

Читайте по заболеваниям: Фундаментальные исследования（0） · БАС（0） · Болезнь Паркинсона（1） · Наследственная нейродегенерация（0） · Нервно-мышечные（0） · Рассеянный склероз（0） · NMOSD/MOGAD（0） · Миастения гравис（1） · Аутоиммунный энцефалит/ХВДП/СГБ（0）

Исследования нейродегенерации и нейроиммунологии и ИИ

Нового подходящего исследования для этого выпуска нет.

БАС: лечение, испытания и ИИ

Нового подходящего исследования для этого выпуска нет.

Болезнь Паркинсона и паркинсонизм: лечение, исследования и ИИ

Анализ дифференциально экспрессируемых генов при болезни Альцгеймера, болезни Паркинсона и лобно-височной деменции с использованием алгоритма машинного обучения
CRC Press eBooks · 2026-10-12 · Доказательства: доклинические (in silico анализ общедоступных наборов данных экспрессии генов)
Аннотация
Заболевания мозга, такие как лобно-височная деменция (FTD), болезнь Паркинсона (PD) и болезнь Альцгеймера (AD), являются нейродегенеративными заболеваниями, при которых развиваются нейровоспаление и неправильная укладка белков. Однако диагностика таких заболеваний остаётся сложной из-за сложности данных и их вариабельности. В настоящем исследовании молекулярные сигнатуры выявляются с помощью методов машинного обучения (ML) на основе отобранных микрочиповых наборов данных. Наборы данных получены из Gene Expression Omnibus (GEO) Национального центра биотехнологической информации (NCBI). На основе анализа GEO на языке R (GEO2R), а также пакета Limma были получены экспрессируемые гены (|logFC| ≥ 0.5; adj.P.Val ≤ 0.05). Модель ML на основе метода опорных векторов (SVM) была разработана путём обучения и валидации на этих генах. SVM показала очень высокие точность и полноту. Тепловые карты подтвердили качество данных. Работа подчёркивает способность статистических биомаркеров и коллективного обучения различать профили экспрессии генов, специфичные для заболеваний, и тем самым позволяет разрабатывать диагностику на основе генов. В будущем для повышения интерпретируемости модели и её улучшения можно включить данные о структуре генома. Это помогает выявлять аномальные гены для дальнейших выводов.
IF журнала: неизвестен (не удалось сопоставить)
Справка: Манохар Матхкунти Н., Рангасвами С., Варша В. П., Бхат С. Анализ дифференциально экспрессируемых генов при болезни Альцгеймера, болезни Паркинсона и лобно-височной деменции с использованием алгоритма машинного обучения. Междисциплинарные подходы к устойчивым исследованиям и разработкам в области науки, технологий и социально-экономических исследований. 2026 Oct 12 [Epub ahead of print]. doi:10.1201/9781042035762-123.
Проверено: Только аннотация

Посмотреть все статьи по болезни Паркинсона: 1 →

Наследственные нейродегенеративные заболевания: лечение, испытания и ИИ

Нового подходящего исследования для этого выпуска нет.

Нервно-мышечные заболевания (мышечная дистрофия, СМА): лечение, исследования и ИИ

Нового подходящего исследования для этого выпуска нет.

Рассеянный склероз: лечение, исследования и ИИ

Нового подходящего исследования для этого выпуска нет.

NMOSD и MOGAD: лечение, клинические испытания и ИИ

Нового подходящего исследования для этого выпуска нет.

Миастения гравис: лечение, исследования и ИИ

Объяснимая модель машинного обучения для персонализированной оценки потребности в интенсивной терапии у пациентов с миастенией гравис на основе фенотипа и воспалительных маркеров.
QJM : monthly journal of the Association of Physicians · 2026-10-12 · Доказательность: ретроспективное наблюдательное исследование
Аннотация
ПРЕДПОСЫЛКИ: Раннее выявление тяжёлых обострений миастении гравис (МГ), требующих госпитализации в отделение интенсивной терапии (ОИТ), остаётся сложной задачей из-за высокой гетерогенности заболевания. Существующие модели редко учитывают стратификацию по фенотипам, что ограничивает их интерпретируемость и клиническую применимость. ЦЕЛЬ: Целью данного исследования была разработка интерпретируемой модели машинного обучения (МО) для оценки фенотип-специфичных факторов риска и прогнозирования госпитализации в ОИТ у пациентов с МГ. ДИЗАЙН И МЕТОДЫ: В это ретроспективное исследование были включены 319 госпитализированных пациентов с МГ. Для моделирования методами МО использовались клинические переменные и маркеры системного воспаления. Подгруппы были заранее определены по наличию тимомы и возрасту начала заболевания. Первичным исходом была потребность в интенсивной терапии в ходе госпитализации. Оценивалась эффективность моделей. Для интерпретации глобальных и индивидуальных признаков применялся метод SHapley Additive exPlanations (SHAP). РЕЗУЛЬТАТЫ: Из 319 госпитализаций в интенсивной терапии нуждались 33 (10,3%). Были обучены четыре модели МО с вложенной 3-кратной валидацией. Лучшие результаты показала eXtreme Gradient Boosting (AUC: 0,94). По данным SHAP, главными предикторами были клиническая классификация MGFA, инфекция во время госпитализации, индекс массы тела и показатели воспаления. Анализ подгрупп выявил фенотип-специфичные закономерности, включая противоположные направления SHAP для маркеров воспаления в группах с тимомой и без тимомы, а также различающиеся рейтинги признаков в группах с разным возрастом начала заболевания. Персонализированные объяснения на основе SHAP показали индивидуальные различия в ранжировании риска и направленности прогностических признаков. Для поддержки внедрения модели в клиническую практику в режиме реального времени разработан веб-калькулятор, потенциально позволяющий проводить стратификацию риска. ВЫВОДЫ: Интерпретируемая модель машинного обучения, объединяющая клинические признаки с индексами системного воспаления, надёжно прогнозирует госпитализацию в ОИТ при МГ и выявляет фенотип-специфичные паттерны риска, что позволяет проводить персонализированную стратификацию риска при ведении пациентов с МГ.
Эквивалент IF журнала: 0.5 (среднее двухлетнее цитирование по OpenAlex, значение на 2026-10-13, получено 2026-10-14; не официальный IF от Clarivate)
Справка: Chang CC, Lin KY, Yeh JH, Chiu HC, Liu TC, Lu CJ. Объяснимая модель машинного обучения для персонализированной оценки потребности в интенсивной терапии у пациентов с миастенией гравис на основе фенотипа и воспалительных маркеров. QJM: An International Journal of Medicine. 2026 Oct 12 [Epub ahead of print]. doi:10.1093/qjmed/hcag289.
Проверено: Только аннотация

Посмотреть все статьи по миастении гравис: 1 →

Аутоиммунный энцефалит, ХВДП и синдром Гийена — Барре: лечение, испытания и ИИ

Нового подходящего исследования для этого выпуска нет.

Как отбираются статьи: (1) сбор из лент журналов, PubMed (все журналы) и OpenAlex; (2) исключаются редакционные статьи, исправления и материалы без терминов по области/ИИ; (3) Jev оценивает четыре параметра (оригинальное исследование ≥ 0.6, ИИ ≥ 0.6, одна из 9 групп заболеваний, лечение/испытания ≥ 0.5 для групп заболеваний); (4) ранжирование по важности по оценке Jev в пределах дневного лимита (по две на группу); (5) эквивалент IF показывается только тогда, когда Jev подтверждает соответствие журнала. Работы, которые Jev не может оценить, не включаются в список.