Parkinson'un makine öğrenimi ve serum sitokinleri kullanarak ilerleme tahmini.

Araştırma özeti

Aşağıdaki metin kaynak makalenin lisansı doğrulanmış orijinal özetidir. cc by

The heterogeneous nature of Parkinson's disease (PD) symptoms and variability in their progression complicates patient treatment and interpretation of clinical trials. Consequently, there is much interest in developing models that can predict PD progression. In this study we have used serum samples from a clinically well characterized longitudinally followed Michael J Fox Foundation cohort of PD patients with and without the common leucine-rich repeat kinase 2 (LRRK2) G2019S mutation. We have measured 27 inflammatory cytokines and chemokines in serum at baseline and after 1 year to investigate cytokine stability. We then used the baseline measurements in conjunction with machine learning models to predict longitudinal clinical outcomes after 2 years follow up. Using the normalized root mean square error (NRMSE) as a measure of performance, the best prediction models were for the motor symptom severity scales, with NRMSE of 0.1123 for the Hoehn and Yahr scale and 0.1193 for the unified Parkinson's disease rating scale part three (UPDRS III). For each model, the top variables contributing to prediction were identified, with the chemokines macrophage inflammatory protein one alpha (MIP1α), and monocyte chemoattractant protein one (MCP1) making the biggest peripheral contribution to prediction of Hoehn and Yahr and UPDRS III, respectively. These results provide information on the longitudinal assessment of peripheral inflammatory cytokines in PD and give evidence that peripheral cytokines may have utility for aiding prediction of PD progression using machine learning models.

Türkçe çeviri

Makine çevirisi · Klinik kullanım öncesinde kaynakla karşılaştırılmalı.

Parkinson hastalığının (PD) semptomlarının heterojen doğası ve ilerlemelerindeki değişkenlik, hasta tedavisini ve klinik çalışmaların yorumlanmasını zorlaştırmaktadır. Sonuç olarak, PD ilerlemesini tahmin edebilecek modeller geliştirmeye büyük ilgi var. Bu çalışmada, klinik olarak iyi karakterize edilmiş bir uzunlamasına takip edilen PD hastalarının Michael J Fox Vakfı kohortundan serum örnekleri kullandık ve yaygın lösin bakımından zengin tekrar kinaz 2 (LRRK2) G2019S mutasyonu. Sitokin stabilitesini araştırmak için serumda 27 inflamatuar sitokin ve kemokin ölçtük ve 1 yıl sonra. Daha sonra 2 yıl sonra uzunlamasına klinik sonuçları tahmin etmek için temel ölçümleri makine öğrenme modelleri ile birlikte kullandık. Normalleştirilmiş kök ortalama kare hatası (NRMSE) performans ölçüsü olarak kullanıldığında, en iyi tahmin modelleri motor semptom şiddeti ölçekleri içindi, NRMSE 0,1123 Hoehn ve Yahr ölçeği için ve 0.1193 birleşik Parkinson hastalığı derecelendirme ölçeği için üçüncü (UPDRS III). Her model için, tahmine katkıda bulunan en üst değişkenler belirlendi, kemokinler makrofaj inflamatuar protein bir alfa (MIP1 ⁇ ) ve monosit kemoattraktant protein bir (MCP1) sırasıyla Hoehn ve Yahr ve UPDRS III'ün tahminine en büyük çevresel katkıyı yaptı. Bu sonuçlar, PD'deki periferik inflamatuar sitokinlerin uzunlamasına değerlendirmesi hakkında bilgi sağlar ve periferik sitokinlerin makine öğrenme modelleri kullanılarak PD ilerlemesinin tahmin edilmesine yardımcı olmak için yararlı olabileceğine dair kanıtlar sunar.

İlgili konular