NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığının (PD) erken evre (klinik öncesi) tespiti, hem onu diğer bozukluklardan ayırt etmek hem de kullanılabilir hale geldikçe nöroprotektif tedavinin zamanında uygulanmasını kolaylaştırmak için çok önemlidir. Amaç: Bir çapraz doğrulama paradigmasında, bu çalışma iki ikili öngörüsel olasılık analizine odaklandı: erken PD kontrollerine karşı sınıflandırma ve erken PD'ye karşı sınıflandırma. SWEDD (dopamin eksikliği kanıtı olmayan taramalar). Birleştirilmiş motor dışı ve biyobelirteç özelliklerini kullanan beş farklı model türünün erken PD'yi kontrollerden% 80 çapraz doğrulanmış (CV) doğrulukla ayıracağı, ancak SWEDD kategorisinin çeşitli doğasının erken PD'yi azaltacağı varsayılmıştır. SWEDD CV sınıflandırma doğruluğu ve model tabanlı özellik seçimini değiştirin. Yöntemler: Kesitsel, temel veriler Parkinson'un İlerici İşaretleyiciler Girişimi'nden (PPMI) alınmıştır. Lojistik regresyon, genel katkı maddesi (GAM), karar ağacı, rastgele orman ve XGBoost modelleri motor dışı klinik ve biyobelirteç özellikleri kullanılarak donatıldı. Rastgele tren ve test veri bölümleri oluşturuldu. Model sınıflandırma CV performansı eğrinin altındaki alan (AUC), duyarlılık, özgüllük ve Kappa istatistik kullanılarak karşılaştırıldı. Sonuçlar: Erken PD'yi kontrollerden ayırt etmek için beş modelin tümü>0.80 AUC CV doğruluğu elde etti. GAM (CV AUC 0.928, duyarlılık 0.898, özgüllük 0.897) ve XGBoost (CV AUC 0.923, duyarlılık 0.875, özgüllük 0.897) modelleri en üst sınıflandırıcılardı. Tüm modellerdeki performans, en yüksek performans modellerinin XGBoost (CV AUC 0.863, hassasiyet 0.905, özgüllük 0.748) ve rastgele orman (CV AUC 0.822, hassasiyet 0.809, özgüllük 0.721) olduğu erken PD / SWEDD analizlerinde tutarlı bir şekilde daha düşüktü. XGBoost'un polis olmayan SWEDD tespiti, %81.25 (13/16) vakada 1-2 yıl kürlenmiş teşhislerle eşleşti. Hem erken PD/kontrol hem de erken PD/SWEDD analizlerinde ve tüm modellerde hiposmi sınıflandırmanın en önemli özelliğiydi; hızlı göz hareketi davranış bozukluğu (sorumluluk) bir sonraki en yaygın olarak en üst sırada yer alan özellikti. Alfa-sinüklein, erken PD / kontrole ithalatın bir özelliğiydi, ancak erken PD / SWEDD sınıflandırması değildi ve Epworth Uykuluk ölçeği, ikincisi için antitetik olarak önemliydi, ancak eski değildi. Yorum: Motor dışı klinik ve biyobelirteç değişkenleri, erken PD kontrollerine karşı yüksek CV ayrımcılığı sağlar, ancak erken PD'yi SWEDD'den daha az etkili bir şekilde ayırt eder.
Özgün kaynak özetini okuyun
Background: Early stage (preclinical) detection of Parkinson's disease (PD) remains challenged yet is crucial to both differentiate it from other disorders and facilitate timely administration of neuroprotective treatment as it becomes available. Objective: In a cross-validation paradigm, this work focused on two binary predictive probability analyses: classification of early PD vs. controls and classification of early PD vs. SWEDD (scans without evidence of dopamine deficit). It was hypothesized that five distinct model types using combined non-motor and biomarker features would distinguish early PD from controls with > 80% cross-validated (CV) accuracy, but that the diverse nature of the SWEDD category would reduce early PD vs. SWEDD CV classification accuracy and alter model-based feature selection. Methods: Cross-sectional, baseline data was acquired from the Parkinson's Progressive Markers Initiative (PPMI). Logistic regression, general additive (GAM), decision tree, random forest and XGBoost models were fitted using non-motor clinical and biomarker features. Randomized train and test data partitions were created. Model classification CV performance was compared using the area under the curve (AUC), sensitivity, specificity and the Kappa statistic. Results: All five models achieved >0.80 AUC CV accuracy to distinguish early PD from controls. The GAM (CV AUC 0.928, sensitivity 0.898, specificity 0.897) and XGBoost (CV AUC 0.923, sensitivity 0.875, specificity 0.897) models were the top classifiers. Performance across all models was consistently lower in the early PD/SWEDD analyses, where the highest performing models were XGBoost (CV AUC 0.863, sensitivity 0.905, specificity 0.748) and random forest (CV AUC 0.822, sensitivity 0.809, specificity 0.721). XGBoost detection of non-PD SWEDD matched 1-2 years curated diagnoses in 81.25% (13/16) cases. In both early PD/control and early PD/SWEDD analyses, and across all models, hyposmia was the single most important feature to classification; rapid eye movement behavior disorder (questionnaire) was the next most commonly high ranked feature. Alpha-synuclein was a feature of import to early PD/control but not early PD/SWEDD classification and the Epworth Sleepiness scale was antithetically important to the latter but not former. Interpretation: Non-motor clinical and biomarker variables enable high CV discrimination of early PD vs. controls but are less effective discriminating early PD from SWEDD.
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.