NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) hastalarının hızlı göz hareketi uyku davranış bozukluğu (RBD) kapsamlı bir tıbbi muayene ile teşhis edildiği sürece doepezil gibi ilaçlarla iyileştirilebilir, çünkü yüksek riskli bir RD grubunu tanımlamak PD'yi tedavi etmek için kritik bir konudur. Bu çalışma, rastgele orman (RF) kullanarak yüksek riskli RBD gruplarını tahmin etmek için bir model geliştirir ve polisomnografi için deneklerin seçilmesi için temel bilgiler sağlar. Denekler 350 PD hastadan (normal bilişli Parkinson hastalığı (PD-NC) = 48; hafif bilişsel bozukluklu Parkinson hastalığı (PD-MCI) = 199; Parkinson hastalığı demansı (PDD) = 103) 60 yaş ve üstü idi. Bu çalışma, RF, diskriminant analiz, sınıflandırma ve regresyon ağacı (CART), radyal baz fonksiyonu (RBF) sinir ağı ve lojistik regresyon modelinin tahmin performansını karşılaştırarak en iyi model performansına sahip son modeli seçer ve son modelin değişkeninin değişken önemini sunar. Analiz sonucunda, RF'nin duyarlılığı (%79) diğer modellerden daha üstündü (ayrımcı analiz =% 14, CART =% 32, RBF sinir ağı =% 25 ve lojistik regresyon =% 51). Yaş, Başlıksız Parkinson Hastalığı Değerlendirmesi (UPDRS) motor skoru, UPDRS'nin toplam skoru, bir denek ilk kez PD tanısı konduğu yaş, Kore Mini Zihinsel Durum Muayenesi ve Kore Günlük Yaşam Enstrümantal Faaliyetleri, RDD'yi tahmin etmek için yüksek ağırlıklı ana değişkenler olduğu doğrulandı. Bunlar arasında yaş en önemli etkendi. Bu çalışmada geliştirilen Parkinson hastalığı RBD'yi tahmin etme modeli, video-polisomnografi alması gereken hastaların taranmasına katkıda bulunacaktır.
Özgün kaynak özetini okuyun
The rapid eye movement sleep behavior disorder (RBD) of Parkinson's disease (PD) patients can be improved with medications such as donepezil as long as it is diagnosed with a thorough medical examination, since identifying a high-risk group of RBD is a critical issue to treat PD. This study develops a model for predicting the high-risk groups of RBD using random forest (RF) and provides baseline information for selecting subjects for polysomnography. Subjects consisted of 350 PD patients (Parkinson's disease with normal cognition (PD-NC) = 48; Parkinson's disease with mild cognitive impairment (PD-MCI) = 199; Parkinson's disease dementia (PDD) = 103) aged 60 years and older. This study compares the prediction performance of RF, discriminant analysis, classification and regression tree (CART), radial basis function (RBF) neural network, and logistic regression model to select a final model with the best model performance and presents the variable importance of the final model's variable. As a result of analysis, the sensitivity of RF (79%) was superior to other models (discriminant analysis = 14%, CART = 32%, RBF neural network = 25%, and logistic regression = 51%). It was confirmed that age, the motor score of Untitled Parkinson's Disease Rating (UPDRS), the total score of UPDRS, the age when a subject was diagnosed with PD first time, the Korean Mini Mental State Examination, and Korean Instrumental Activities of Daily Living, were major variables with high weight for predicting RBD. Among them, age was the most important factor. The model for predicting Parkinson's disease RBD developed in this study will contribute to the screening of patients who should receive a video-polysomnography.
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.