Data-Driven Prediction of Fatigue in Parkinson's Disease Patients.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Giriş: Çok sayıda motor dışı semptom, yorgunluk da dahil olmak üzere Parkinson hastalığı (PD) ile ilişkilidir. Klinikteki zorluk, ilgili motor olmayan semptomları tespit etmek ve hasta yükünü düşük tutmak ve cinsiyet farklılıkları gibi potansiyel alt grupları dikkate almaktır. Yorgunluk Severitesi Ölçeği (FSS), PD hastalarında klinik olarak önemli yorgunlukları etkili bir şekilde tespit eder. Makine öğrenme teknikleri, hangi FSS öğelerinin klinik olarak önemli yorgunluğu en iyi tahmin ettiğini belirleyebilir, ancak sonuçların kararlılığını belirlediği için teknik seçimi çok önemlidir. Yöntemler: PD hastalarının 182 kaydı iki makine öğrenme algoritması ile analiz edildi: rastgele orman (RF) ve Boruta. RF ve Boruta, bir FSS maddesinin klinik olarak önemli yorgunluğu tahmin etmede ne kadar etkisi olduğunu ölçen özellik önem puanlarını hesapladı. En yüksek özellik önem puanlarına sahip öğeler en iyi tahmincilerdi. Ana bileşenler analizi (PCA), FSS ile ilgili çok ilgili öğeleri bir araya getirdi. Bulgular: RF, Boruta ve PCA, 8 ("Fatigue en çok engelleyici üç semptomum arasında yer alıyor") ve 9 ("Fatigue işime, aileme veya sosyal hayatıma müdahale ediyor") maddelerinin en önemli tahmin ediciler olduğunu gösterdi. Madde 5 ("yorgunluk benim için sık sık sorunlara neden olur"), dişiler için önemli bir öngörücüydü ve madde 6 ("yorgunluğum sürekli fiziksel işleyişi önler") erkekler için önemliydi. Özellik önem puanlarının standart sapmaları RF (%14-66) için büyük, ancak Boruta (%0-5) için küçüktü. Sonuç: Klinik olarak en bilgilendirici sorular, yorgunluğun diğer semptomlarla karşılaştırılması ve iş, aile ve arkadaşlarla karışması olabilir. Kadınlarda yorgunlukla ilgili şikayetlerin sıklığı ve erkeklerde dayanıklılıkla ilgili şikayetlerin önemli bilgiler vermesi ile cinsiyete bağlı bazı farklılıklar olabilir. Boruta ancak RF kararlı sonuçlar vermedi ve kısaltılmış anketlerin en alakalı bileşenlerini belirlemek için daha iyi bir araç olabilir. Bu alandaki daha fazla araştırma, bu bulguları diğer makine öğrenme algoritmalarıyla çoğaltmak ve PD hastalarının daha temsili bir örneğini kullanmak için yararlı olacaktır.

Özgün kaynak özetini okuyun

Introduction: Numerous non-motor symptoms are associated with Parkinson's disease (PD) including fatigue. The challenge in the clinic is to detect relevant non-motor symptoms while keeping patient-burden of questionnaires low and to take potential subgroups such as sex differences into account. The Fatigue Severity Scale (FSS) effectively detects clinically significant fatigue in PD patients. Machine learning techniques can determine which FSS items best predict clinically significant fatigue yet the choice of technique is crucial as it determines the stability of results. Methods: 182 records of PD patients were analyzed with two machine learning algorithms: random forest (RF) and Boruta. RF and Boruta calculated feature importance scores, which measured how much impact an FSS item had in predicting clinically significant fatigue. Items with the highest feature importance scores were the best predictors. Principal components analysis (PCA) grouped highly related FSS items together. Results: RF, Boruta and PCA demonstrated that items 8 ("Fatigue is among my three most disabling symptoms") and 9 ("Fatigue interferes with my work, family or social life") were the most important predictors. Item 5 ("Fatigue causes frequent problems for me") was an important predictor for females, and item 6 ("My fatigue prevents sustained physical functioning") was important for males. Feature importance scores' standard deviations were large for RF (14-66%) but small for Boruta (0-5%). Conclusion: The clinically most informative questions may be how disabling fatigue is compared to other symptoms and interference with work, family and friends. There may be some sex-related differences with frequency of fatigue-related complaints in females and endurance-related complaints in males yielding significant information. Boruta but not RF yielded stable results and might be a better tool to determine the most relevant components of abbreviated questionnaires. Further research in this area would be beneficial in order to replicate these findings with other machine learning algorithms, and using a more representative sample of PD patients.

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.