Machine learning applications in Huntington's disease prognosis: A review
Anwendungen von Machine Learning in der Huntington-Krankheitsprognose: eine Übersichtsarbeit
Journal of Huntington's Disease · 2026-11 · 15 (4) · 574-587
DOI: 10.1177/18796397261468824 ↗Auf einen Blick
Die Übersichtsarbeit zeigt: Machine-Learning-Modelle sagten Beginn und Verlauf der Huntington-Krankheit meist besser voraus als traditionelle age–CAG-Modelle. Besonders multimodale und longitudinale Daten verbesserten die Prognose.
Fragestellung
Welche Machine-Learning-Ansätze eignen sich zur Prognose von Beginn und Verlauf der Huntington-Krankheit?
Methode
Systematische Übersichtsarbeit nach PRISMA; Suche in Web of Science, PubMed und IEEE Xplore; 20 Studien von 2003 bis 2024; Qualitäts- und Verzerrungsbewertung mit PROBAST.
Ergebnisse
20 Studien erfüllten die Kriterien. Support-Vector-Machines und Ensemble-Ansätze schnitten konsistent besser ab als age–CAG-Modelle. Einige Studien sagten die Konversion von prämanifest zu manifest innerhalb von 5–10 Jahren mit 88–98 % Genauigkeit voraus.
Einschränkungen
Häufige methodische Schwächen und Bias; Bedarf an größeren, extern validierten Studien mit objektiven Biomarkern.
Schlussfolgerung der Autor:innen
Machine Learning hat großes Potenzial für präzisere Prognosemodelle bei HD, besonders mit multimodalen und longitudinalen Daten.
Kernaussagen
- ML-Modelle waren traditionellen age–CAG-Modellen meist überlegen.
- Studien mit MRT-Biomarkern und longitudinalen Daten erzielten bessere Leistungen.
- Methodische Schwächen und Bias begrenzen die Aussagekraft.
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Systematische Übersicht in der Zeitschrift Journal of Huntington's Disease, online erschienen am 21.07.2026. Verfasst von Lubna M Abu Zohair und 5 weiteren Autor:innen. Beteiligte Einrichtung: School of Mathematical and Computer Sciences, Heriot-Watt University, Dubai, United Arab Emirates. Hauptthemen laut MEDLINE: Huntington Disease, Machine Learning. Die Arbeit nennt 44 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).
Abstract (Originalsprache)
Understanding the trajectory of Huntington's disease (HD) is critical for patient stratification and the development of targeted interventions. Traditionally, studies relied on age–CAG models to estimate disease onset and progression, based on the well-established relationship between CAG repeat length and age at onset. However, additional genetic, environmental, and clinical factors can cause substantial variability. Recent machine learning approaches integrate clinical, imaging, and molecular data for more precise prediction of disease progression. Following PRISMA guidelines, we systematically reviewed studies on HD onset and progression. Using Web of Science, PubMed, and IEEE Xplore, 20 studies published between 2003 and 2024 met the inclusion criteria. We analyzed the machine learning approaches and input features used, assessed methodological quality, and evaluated risk of bias using the PROBAST tool. Overall, machine learning models, particularly support vector machines and ensemble approaches, consistently outperformed traditional age–CAG models. Several studies predicted conversion from premanifest to manifest HD within 5–10 years with high accuracy (88–98%). Beyond predicting onset, machine learning models have also been used to model dis-ease progression using clinical scores assessing motor, cognitive, and functional impairment. Performance was higher in studies incorporating structural and functional MRI biomarkers, and improved further with longitudinal clinical integration, enabling pre-diction of decline years before symptoms onset. Overall, machine learning shows strong potential to improve prognostic modeling in HD, especially through multimodal and longitudinal data. However, common methodological weaknesses and bias highlight the need for larger, externally validated studies using objective biomarkers.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- School of Mathematical and Computer Sciences, Heriot-Watt University, Dubai, United Arab Emirates.
- Department of Neurology, Maastricht University Medical Center, Maastricht, The Netherlands.
- Neurology Department, Al Basheer Hospital, Amman, Jordan.
- School of Mathematical and Computer Sciences, Heriot-Watt University, Edinburgh, UK.
ORCID-Profile: Lubna M Abu Zohair, Ruben Andriessen, Noor Mahmoud, Moram Khalid, Hind Zantout, Marta Vallejo
Zitieren
APA
Abu Zohair, L. M., Andriessen, R., Mahmoud, N., Khalid, M., Zantout, H., & Vallejo, M. (2026). Machine learning applications in Huntington's disease prognosis: A review. Journal of Huntington's Disease, 15(4), 574-587. https://doi.org/10.1177/18796397261468824
Vancouver
Abu Zohair LM, Andriessen R, Mahmoud N, Khalid M, Zantout H, Vallejo M. Machine learning applications in Huntington's disease prognosis: A review. Journal of Huntington's Disease. 2026;15(4):574-587. doi:10.1177/18796397261468824
BibTeX
@article{AbuZohair2026,
author = {Abu Zohair, Lubna M and Andriessen, Ruben and Mahmoud, Noor and Khalid, Moram and Zantout, Hind and Vallejo, Marta},
title = {Machine learning applications in Huntington's disease prognosis: A review},
journal = {Journal of Huntington's Disease},
year = {2026},
volume = {15},
number = {4},
pages = {574--587},
doi = {10.1177/18796397261468824}
}
EUVIMED