Machine learning can predict mild cognitive impairment in Parkinson's disease.

Araştırma özeti

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

Parkinson hastalığında (PD) bilişsel gerilemenin klinik belirteçleri halüsinasyonlar, apati, anksiyete ve depresyon gibi çeşitli zihinsel motor olmayan semptomları kapsar. Ayrıca, yürüyüş (FOG) ve spesifik yürüyüş değişikliklerinin dondurulması PD'deki bilişsel işlev bozukluğu ile ilişkilendirilmiştir. Son olarak, düşük beyin omurilik sıvısı seviyelerinin amiloid-beta42'de bilişsel düşüşü öngördüğü bulunsa da, şimdiye kadar amiloid-beta (Abeta) PET görüntülemesi, Abeta plak birikimi ile PD'deki hafif bilişsel bozukluk (PD-MCI) arasındaki ilişkiyi tutarlı bir şekilde gösteremedi.AimBir makine öğrenme yaklaşımı ile PD-MCI ile ilişkili önemli özellikleri bulmak.Hastalar ve yöntemlerHastalar kapsamlı bir klinik muayene ile değerlendirildi. Klinik değerlendirme, MDS-UPDRS I ve II'nin belirli öğelerini kullanarak zihinsel motor olmayan semptomların ve FOG'nun değerlendirilmesini içeriyordu. Nöropsikolojik muayeneye dayanarak, hastalar MCI (noPD-MCI, PD-MCI) olmayan ve olmayan denekler olarak sınıflandırıldı. Tüm hastalar bir hareket analiz sistemi kullanılarak değerlendirildi. PD hastalarının bir alt grubuna da amiloid PET görüntüleme uygulandı. PD-MCI ve noPD-MCI denekleri demografik veriler, klinik özellikler, yürüyüş analizi değişkenleri ve amiloid PET verileri üzerinde tek değişkenli istatistiksel analiz ile karşılaştırıldı. Daha sonra, makine öğrenimi analizi iki kez gerçekleştirildi: Model 1 yaş, klinik değişkenler (hallüsinasyonlar / psikoz, depresyon, kaygı, ilgisizlik, uyku problemleri, FOG) ve yürüyüş özellikleri ile uygulanırken, sadece PET gerçekleştiren alt grup da dahil olmak üzere Model 2, eski modelin ilk beş özelliğiyle birlikte PET değişkenleri ile uygulandı.ResultsYetmiş beş PD hastası (33 PD-MC ve 42 PDIMC) kaydedildi. PD-MCI vs. noPD-MCI daha yaşlı sonuçlar verdi ve daha kötü yürüyüş kalıpları gösterdi, esas olarak artan dinamik istikrarsızlık ve azaltılmış adım uzunluğu ile karakterize edildi; amiloid PET verilerini karşılaştırırken, iki grup farklı değildi. Makine öğrenimi analizleri ile ilgili olarak, değerlendirme ölçümleri Model 1'in doğruluk ve özgüllük için %80'in üstesinden gelmesi için tatmin ediciydi, Model 2 için hayal kırıklığı yarattılar.Bu çalışma, spesifik klinik özelliklerle uygulanan makine öğreniminin ve yürüyüş değişkenlerinin PD-MCI'yi tahmin etmede yüksek doğruluk sergilediğini gösterirken, amiloid PET görüntüleme tahminini artıramaz. Ek olarak, sonuçlarımız, belirli yürüyüş parametrelerine ilişkin bir veri madenciliği yaklaşımının PD-MCI'nin güvenilir bir taşıyıcı biyobelirteçini temsil edebileceği yönündedir.

Özgün kaynak özetini okuyun

BackgroundClinical markers of cognitive decline in Parkinson's disease (PD) encompass several mental non-motor symptoms such as hallucinations, apathy, anxiety, and depression. Furthermore, freezing of gait (FOG) and specific gait alterations have been associated with cognitive dysfunction in PD. Finally, although low cerebrospinal fluid levels of amyloid-β42 have been found to predict cognitive decline in PD, hitherto PET imaging of amyloid-β (Aβ) failed to consistently demonstrate the association between Aβ plaques deposition and mild cognitive impairment in PD (PD-MCI).AimFinding significant features associated with PD-MCI through a machine learning approach.Patients and methodsPatients were assessed with an extensive clinical and neuropsychological examination. Clinical evaluation included the assessment of mental non-motor symptoms and FOG using the specific items of the MDS-UPDRS I and II. Based on the neuropsychological examination, patients were classified as subjects without and with MCI (noPD-MCI, PD-MCI). All patients were evaluated using a motion analysis system. A subgroup of PD patients also underwent amyloid PET imaging. PD-MCI and noPD-MCI subjects were compared with a univariate statistical analysis on demographic data, clinical features, gait analysis variables, and amyloid PET data. Then, machine learning analysis was performed two times: Model 1 was implemented with age, clinical variables (hallucinations/psychosis, depression, anxiety, apathy, sleep problems, FOG), and gait features, while Model 2, including only the subgroup performing PET, was implemented with PET variables combined with the top five features of the former model.ResultsSeventy-five PD patients were enrolled (33 PD-MCI and 42 noPD-MCI). PD-MCI vs. noPD-MCI resulted in older and showed worse gait patterns, mainly characterized by increased dynamic instability and reduced step length; when comparing amyloid PET data, the two groups did not differ. Regarding the machine learning analyses, evaluation metrics were satisfactory for Model 1 overcoming 80% for accuracy and specificity, whereas they were disappointing for Model 2.ConclusionsThis study demonstrates that machine learning implemented with specific clinical features and gait variables exhibits high accuracy in predicting PD-MCI, whereas amyloid PET imaging is not able to increase prediction. Additionally, our results prompt that a data mining approach on certain gait parameters might represent a reliable surrogate biomarker of PD-MCI.

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.