NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Erken bir aşamada tespit edilip tedavi edilirse demansın ilerlemesini geciktirmek mümkün olduğundan, hafif bilişsel bozukluğun (MCI) tanımlanması demansın tedavisinde önemli bir birincil hedeftir. Bu çalışmanın amacı, sağlık davranışlarını, çevresel faktörleri, tıbbi geçmişi, fiziksel işlevleri, depresyonu ve bilişsel işlevleri Parkinson Demans Klinik Epidemiyoloji Verisini (Kore Hastalık Kontrol ve Önleme Merkezleri tarafından yürütülen ulusal bir anket) kullanarak sağlık davranışlarını, çevresel faktörleri, tıbbi geçmişi ve bilişsel işlevleri göz önünde bulundurarak, modelimizin tahmin doğruluğunu karar ağacı ve çoklu lojistik regresyon modelleri ile karşılaştırmaktı. 96 denek analiz ettik (PD-MCI = 45; Parkinson hastalığı normal biliş (PD-NC) = 51 denek). Modelin tahmin doğruluğu genel doğruluk, hassasiyet ve özgüllük kullanılarak hesaplanmıştır. Rasgele orman analizine dayanarak, PD-MCI'nın en önemli risk faktörleri, azalan büyüklük sıralamasında, Klinik Demans Derecelendirmesi (CDR) kutu toplamı, Başlıksız Parkinson Hastalığı Değerlendirmesi (UPDRS) motor puanı, Kore Mini Zihinsel Durum Muayenesi (K-MMSE) toplam puanı ve K- Kore Montreal Bilişsel Değerlendirmesi (K-MoCA) toplam puanıydı. Rastgele orman yöntemi, karar ağacı modelinden daha yüksek bir hassasiyet elde etti. Bu nedenle, bu çalışmada geliştirilen PD-MCI tahmin modeline dayanarak erken evre PDD'yi kolayca tanımlamak için bir protokol geliştirilmesi, yüksek riskli grupları izlemek için bireyselleştirilmiş izlemenin kurulması önerilir.
Özgün kaynak özetini okuyun
Because it is possible to delay the progression of dementia if it is detected and treated in an early stage, identifying mild cognitive impairment (MCI) is an important primary goal of dementia treatment. The objectives of this study were to develop a random forest-based Parkinson's disease with mild cognitive impairment (PD-MCI) prediction model considering health behaviors, environmental factors, medical history, physical functions, depression, and cognitive functions using the Parkinson's Dementia Clinical Epidemiology Data (a national survey conducted by the Korea Centers for Disease Control and Prevention) and to compare the prediction accuracy of our model with those of decision tree and multiple logistic regression models. We analyzed 96 subjects (PD-MCI = 45; Parkinson's disease with normal cognition (PD-NC) = 51 subjects). The prediction accuracy of the model was calculated using the overall accuracy, sensitivity, and specificity. Based on the random forest analysis, the major risk factors of PD-MCI were, in descending order of magnitude, Clinical Dementia Rating (CDR) sum of boxes, Untitled Parkinson's Disease Rating (UPDRS) motor score, the Korean Mini Mental State Examination (K-MMSE) total score, and the K- Korean Montreal Cognitive Assessment (K-MoCA) total score. The random forest method achieved a higher sensitivity than the decision tree model. Thus, it is advisable to develop a protocol to easily identify early stage PDD based on the PD-MCI prediction model developed in this study, in order to establish individualized monitoring to track high-risk groups.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.