Bayesian network modeling of risk and prodromal markers of Parkinson's disease.

Araştırma özeti

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

Parkinson hastalığı (PD), motor semptomlara dayalı klinik tanıdan önce artmış bir PD riskini gösteren çok sayıda işaretleyici ile uzun bir prodromal faz ile karakterizedir. Mevcut PD tahmin modelleri, tek tahmincilerin karşılıklı bağımlılıklarını dikkate almaz, prodromal PD'nin alt tiplerine göre farklılaşmadan yoksundur ve şaşırtıcı faktörler, spesifik olmayan değerlendirme yöntemleri ve potansiyel olarak potansiyel olarak önyargılı olabilir. potansiyel kohortların kapsamlı işaretleyici verilerine erişim. 1178 sağlıklı, PD'siz bireyde PD'nin 18 saptanmış risk ve prodromal belirteçlerinin prospektif verilerini ve 24 vaka PD olgusunu, 10 yıla kadar 4 ziyarette NöroDejenerasyon (TREND) çalışmasının erken tespiti için Risk faktörlerinin Tübingen değerlendirmesinde uzunlamasına olarak topladık. PD işaretleyici bağımlılıklarını bottrapping kullanarak olasılıksal güven tahmini ile bir Bayesian ağı (BN) aracılığıyla öğrenmek ve ölçmek için yapay zeka (AI) kullandık. BN, sentetik bir kohort ve bireysel işaret profilleri oluşturmak için kullanıldı. BN kenarları için yaştan küçülen parkinsonizm ve idrar fonksiyon bozukluğu, cinsiyetten substantia nigra hiperechogenisite, depresyon, sigara içmeyen ve kabızlığa kadar sağlam bağımlılıklar; semptomatik hipotansiyon ve aşırı gündüz somnolansı depresyonu; bilişsel eksikliklere ve fiziksel hareketsizliğe çözücü maruz kalma; ve sigara içmeyen fiziksel hareketsizlik gözlenmiştir. PD'ye dönüşüm, önceki subthreshold parkinsonizm, seks ve substantia nigra hiperechogenisite ile birbirine bağımlıydı. Düşük olasılıklı güvene sahip birkaç ek bağımlılık tespit edildi. TREND çalışmasının BN tabanlı gösterimi yoluyla üretilen sentetik denekler, gerçek ve sentetik verilerin çoklu karşılaştırma yaklaşımları ile değerlendirildiği için gerçekçiydi. Çalışmalarımız, modern AI yaklaşımlarının (özellikle BN'ler) PD risk ve prodromal belirteçler arasındaki bağımlılıkların modellenmesi ve anlaşılması için potansiyelini ortaya koymaktadır, bunlar PD tahmin modellerinde hesaba katılmamaktadır ve gerçekçi sentetik veriler üretmek için de geçerlidir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is characterized by a long prodromal phase with a multitude of markers indicating an increased PD risk prior to clinical diagnosis based on motor symptoms. Current PD prediction models do not consider interdependencies of single predictors, lack differentiation by subtypes of prodromal PD, and may be limited and potentially biased by confounding factors, unspecific assessment methods and restricted access to comprehensive marker data of prospective cohorts. We used prospective data of 18 established risk and prodromal markers of PD in 1178 healthy, PD-free individuals and 24 incident PD cases collected longitudinally in the Tübingen evaluation of Risk factors for Early detection of NeuroDegeneration (TREND) study at 4 visits over up to 10 years. We employed artificial intelligence (AI) to learn and quantify PD marker interdependencies via a Bayesian network (BN) with probabilistic confidence estimation using bootstrapping. The BN was employed to generate a synthetic cohort and individual marker profiles. Robust interdependencies were observed for BN edges from age to subthreshold parkinsonism and urinary dysfunction, sex to substantia nigra hyperechogenicity, depression, non-smoking and to constipation; depression to symptomatic hypotension and excessive daytime somnolence; solvent exposure to cognitive deficits and to physical inactivity; and non-smoking to physical inactivity. Conversion to PD was interdependent with prior subthreshold parkinsonism, sex and substantia nigra hyperechogenicity. Several additional interdependencies with lower probabilistic confidence were identified. Synthetic subjects generated via the BN based representation of the TREND study were realistic as assessed through multiple comparison approaches of real and synthetic data. Altogether our work demonstrates the potential of modern AI approaches (specifically BNs) both for modelling and understanding interdependencies between PD risk and prodromal markers, which are so far not accounted for in PD prediction models, as well as for generating realistic synthetic data.

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.