NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) tahminleri için nörogörüntüleme ve hareket analizleri kullanılarak makine öğrenimi (ML) modelleri üzerinde birçok çalışma yapılmış olsa da, büyük nüfus tabanlı veri kümelerine sahip çalışmalar sınırlıdır. Ulusal Sağlık Sigortası Hizmet-Sağlık Tarama veri kümelerine dayanan ML algoritmalarını kullanarak PD tahmin modelleri önermeyi amaçladık. Ulusal sağlık tarama programlarına katılan kişileri 2002-2015 yılları arasında 5 kez seçtik. PD, ICD-koduna (G20) göre tanımlandı ve PD olmayan bireylerin eşleştirilmiş bir kohortu 1: 1 rastgele örnekleme yöntemi kullanılarak seçildi. PD tahmini için çeşitli ML algoritmaları uygulandı ve tahmin modellerinin performansı karşılaştırıldı. Sinir ağları, gradyan arttırıcı makineler ve rastgele orman algoritmaları, bu çalışmada doğrulanan algoritmalar arasında en iyi ortalama tahmin doğruluğunu (alıcının çalışma karakteristik eğrisinin (AUC) altında ortalama alan: 0.779, 0.766 ve 0.731) sergiledi. Genel model performans metrikleri erkeklerde kadınlara göre daha yüksekti (AUC: sırasıyla 0.742 ve 0.729). PD oluşumunu tahmin etmek için en önemli faktör vücut kitle indeksi, ardından toplam kolesterol, glikoz, hemoglobin ve kan basıncı seviyeleriydi. Sigara ve alkol tüketimi (erkeklerde) ve sosyoekonomik durum, fiziksel aktivite ve diabetes mellitus (kadınlarda) PD'nin ortaya çıkmasıyla yüksek oranda ilişkiliydi. ML algoritmalarını kullanarak önerilen sağlık tarama veri seti tabanlı PD tahmin modeli kolayca uygulanabilir, onaylanmış sonuçlar üretir ve PD tahmin modelleri için yararlı bir seçenek olabilir.
Özgün kaynak özetini okuyun
Although many studies have been conducted on machine learning (ML) models for Parkinson's disease (PD) prediction using neuroimaging and movement analyses, studies with large population-based datasets are limited. We aimed to propose PD prediction models using ML algorithms based on the National Health Insurance Service-Health Screening datasets. We selected individuals who participated in national health-screening programs > 5 times between 2002 and 2015. PD was defined based on the ICD-code (G20), and a matched cohort of individuals without PD was selected using a 1:1 random sampling method. Various ML algorithms were applied for PD prediction, and the performance of the prediction models was compared. Neural networks, gradient boosting machines, and random forest algorithms exhibited the best average prediction accuracy (average area under the receiver operating characteristic curve (AUC): 0.779, 0.766, and 0.731, respectively) among the algorithms validated in this study. The overall model performance metrics were higher in men than in women (AUC: 0.742 and 0.729, respectively). The most important factor for predicting PD occurrence was body mass index, followed by total cholesterol, glucose, hemoglobin, and blood pressure levels. Smoking and alcohol consumption (in men) and socioeconomic status, physical activity, and diabetes mellitus (in women) were highly correlated with the occurrence of PD. The proposed health-screening dataset-based PD prediction model using ML algorithms is readily applicable, produces validated results, and could be a useful option for PD prediction models.
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.