NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hedef: Darbe kontrol bozuklukları (ICD'ler), Parkinson hastalığı (PD) sırasında ortaya çıkan sık motor olmayan semptomlardır. Bu çalışmanın amacı, bağımsız bir kohortta çapraz doğrulama ve replikasyon kullanan ilk çalışma olan uzunlamasına verileri kullanarak bu bozuklukların gelecekteki oluşumunun öngörülebilirliğini tahmin etmekti. Yöntemler: İki uzunlamasına PD kohortundan (eğitim seti: PPMI, Parkinson'un İlerleme İşaretçileri Girişimi; test seti: DIGPD, Parkinson Hastalığındaki Genlerle İlaç Etkileşimi) verileri kullandık. Analizlerimize PPMI'den 380 ve DIGPD'den 388 PD denek dahil edildi, en az iki ziyaret yapıldı ve klinik ve genetik veriler elde edildi. Bir sonraki ziyarette ICD'leri tahmin etmek için üç lojistik gerileme ve tekrarlayan bir sinir ağı eğittik, daha önce ICD'lerle ilişkili klinik risk faktörleri ve genetik varyantlar kullandık. Alıcının çalışma karakteristik eğrisi (ROC AUC) ve ortalama hassasiyet altındaki alanı kullanarak performansı ölçtük. Bu modelleri, bir sonraki ziyarette ICD'leri tahmin eden önemsiz bir modelle en son ziyaretteki durumla karşılaştırdık. Bulgular: Nöral sinir ağı (PPMI: 0.85 [0.80 - 0.90], DIGPD: 0.802 [0.78 - 0.83]) önemsiz modelden önemli ölçüde daha iyi olan tek modeldi (PPMI: ROC AUC = 0.75 [0.69 - 0.81]); DIGPD: 0.78 [0.75 - 0.80]) her iki kohortta da. PD'deki ICD'lerin önemsiz bir modelden daha iyi bir doğrulukla nüks eden bir sinir ağı modeli ile tahmin edilebileceğini gösterdik. ROC AUC açısından iyileşme, PPMI'de DIGPD verilerinden daha yüksekti, ancak her iki kohortta da klinik olarak ilgili değildi. Sonuç: Sonuçlarımız, makine öğrenimi yöntemlerinin ICD'leri tahmin etmek için potansiyel olarak yararlı olduğunu, ancak klinik alakaya ulaşmak için daha fazla çalışmanın gerekli olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Goal: Impulse control disorders (ICDs) are frequent non-motor symptoms occurring during the course of Parkinson's disease (PD). The objective of this study was to estimate the predictability of the future occurrence of these disorders using longitudinal data, the first study using cross-validation and replication in an independent cohort. Methods: We used data from two longitudinal PD cohorts (training set: PPMI, Parkinson's Progression Markers Initiative; test set: DIGPD, Drug Interaction With Genes in Parkinson's Disease). We included 380 PD subjects from PPMI and 388 PD subjects from DIGPD, with at least two visits and with clinical and genetic data available, in our analyses. We trained three logistic regressions and a recurrent neural network to predict ICDs at the next visit using clinical risk factors and genetic variants previously associated with ICDs. We quantified performance using the area under the receiver operating characteristic curve (ROC AUC) and average precision. We compared these models to a trivial model predicting ICDs at the next visit with the status at the most recent visit. Results: The recurrent neural network (PPMI: 0.85 [0.80 - 0.90], DIGPD: 0.802 [0.78 - 0.83]) was the only model to be significantly better than the trivial model (PPMI: ROC AUC = 0.75 [0.69 - 0.81]; DIGPD: 0.78 [0.75 - 0.80]) on both cohorts. We showed that ICDs in PD can be predicted with better accuracy with a recurrent neural network model than a trivial model. The improvement in terms of ROC AUC was higher on PPMI than on DIGPD data, but not clinically relevant in both cohorts. Conclusions: Our results indicate that machine learning methods are potentially useful for predicting ICDs, but further works are required to reach clinical relevance.
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.