NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Klinik semptomların önemli heterojenliği ve Parkinson hastalığında (PD) güvenilir ilerleme belirteçlerinin eksikliği, doğru ilerleme ve prognozları tahmin etmede büyük bir zorluk oluşturmaktadır. Artan kanıtlar, nörovasküler ünitenin (NVU) ve kan-beyin bariyerinin (BBB) bozulmasının her bir bileşeninin birçok nörodejeneratif hastalıkta rol alabileceğini göstermektedir. CSF'nin bazı bölümleri nörovasküler ünite boyunca ve BBB boyunca ortadan kaldırıldığı için, yolları bozmak bu maddelerin değişmesine neden olabilir. Yöntemler: Parkinson İlerleme İşaretçileri Girişimi (PPMI) çalışmasından (NCT01141023) dört yüz yetmiş dört katılımcı çalışmaya dahil edildi. Genel bilgiler, kısa klinik özellikler ve mevcut yılın klasik ölçek puanları dahil olmak üzere otuz altı başlangıç özelliği, gelecek yılın Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS) Bölüm III puanını, yedeklik kaldırma ve tekrarlama özelliği eliminasyonu (RFE) tabanlı özellik seçimi ile temsil edilen PD motor ilerlemesini tahmin etmek için beş regresyon modeli oluşturmak için kullanıldı. Daha sonra, daha uygun model uygulaması için öngörülen değere bir eşik aralığı eklendi. Son olarak, CSF ve kan biyobelirteçlerinin hastalık ilerleme modeli üzerindeki etkisini değerlendirdik. Bulgular: Çalışmaya sekiz yüz kırk dokuz vaka dahil edildi. Regresyon modeli, doğrusal, Bayesian ve topluluk olmak üzere üç farklı kategorinin ayarlı R2 değerlerinin tümü 0.75'e ulaştı. Aynı kategorideki modeller benzer özellik kombinasyonlarını paylaştı. Kategoriler arasında seçilen ortak özellikler MDS-UPDRS Bölüm III puanı, Montreal Bilişsel Değerlendirme (MOCA) ve Hızlı Göz Hareketi Uyku Davranış Bozukluğu Anketi (RBDSQ) puanıydı. Modelin eşik aralığı üzerinden belirli tahmin etkisi elde edebileceği daha sezgisel olarak görülebilir. Biyobelirteçlerin çalışmadaki verilerdeki ilerleme modeli üzerinde önemli bir etkisi yoktu. Sonuç: Makine öğrenimini kullanarak ve mevcut yıldan rutin olarak toplanan değerlendirmeleri kullanarak, PD'nin ilk aşamasında bir sonraki yılın motor ilerlemesini tahmin etmek için çok sayıda dinamik model geliştirdik. Bu yöntemler, klinisyenlerin tıbbi yönetimi bireye uyarlamasına ve hastalık değiştirici terapileri inceleyen gelecekteki klinik denemeler için risk altındaki hastaları tanımlamasına izin verecektir.
Özgün kaynak özetini okuyun
Background: The substantial heterogeneity of clinical symptoms and lack of reliable progression markers in Parkinson's disease (PD) present a major challenge in predicting accurate progression and prognoses. Increasing evidence indicates that each component of the neurovascular unit (NVU) and blood-brain barrier (BBB) disruption may take part in many neurodegenerative diseases. Since some portions of CSF are eliminated along the neurovascular unit and across the BBB, disturbing the pathways may result in changes of these substances. Methods: Four hundred seventy-four participants from the Parkinson's Progression Markers Initiative (PPMI) study (NCT01141023) were included in the study. Thirty-six initial features, including general information, brief clinical characteristics and the current year's classical scale scores, were used to build five regression models to predict PD motor progression represented by the coming year's Unified Parkinson's Disease Rating Scale (MDS-UPDRS) Part III score after redundancy removal and recursive feature elimination (RFE)-based feature selection. Then, a threshold range was added to the predicted value for more convenient model application. Finally, we evaluated the CSF and blood biomarkers' influence on the disease progression model. Results: Eight hundred forty-nine cases were included in the study. The adjusted R2 values of three different categories of regression model, linear, Bayesian and ensemble, all reached 0.75. Models of the same category shared similar feature combinations. The common features selected among the categories were the MDS-UPDRS Part III score, Montreal Cognitive Assessment (MOCA) and Rapid Eye Movement Sleep Behavior Disorder Questionnaire (RBDSQ) score. It can be seen more intuitively that the model can achieve certain prediction effect through threshold range. Biomarkers had no significant impact on the progression model within the data in the study. Conclusions: By using machine learning and routinely gathered assessments from the current year, we developed multiple dynamic models to predict the following year's motor progression in the early stage of PD. These methods will allow clinicians to tailor medical management to the individual and identify at-risk patients for future clinical trials examining disease-modifying therapies.
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.