NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Prodromal evrede Parkinson hastalığının (PD) elektrokardiyogram (ECG) belirteçleri hakkında çok az şey bilinmektedir. Çalışmanın amacı, prodromal evrede PD riskini tahmin etmek için genelleştirilebilir EKG tabanlı tam otomatik yapay zeka (AI) modeli oluşturmaktı, hastalık teşhisinden 5 yıl öncesine kadar. Bu vaka kontrol çalışması, Loyola Üniversitesi Chicago (LUC) ve Tennessee-Metodist Üniversitesi Le Bonheur Healthcare (MLH) örneklerini içeriyordu. Vakalar ve kontroller belirli özelliklere (tarih, yaş, cinsiyet ve ırk) göre eşleştirildi. Klinik veriler Mayıs 2014'ten itibaren LUC'de ve Ocak 2015'ten itibaren MLH'de mevcutken, EKG verileri her iki enstitüde de 1990'ın başlarında mevcuttu. PD, en az iki ana tanı kodu (ICD9 332.0; ICD10 G20) ile en az 30 gün arayla gösterilmiştir. PD insidansı tarihi, ilk PD tanı kodu veya PD ile ilgili ilaç reçetesinin en erken tarihi olarak tanımlandı. PD insidansı tarihinden en az 6 ay önce elde edilen EKG'ler, PD'nin sonraki bir tanısını üç zaman penceresinde tahmin etmek için modellenmiştir: 6 ay-1 yıl, 6 ay-3 yıl ve 6 ay-5 yıl. Prodromal fazda PD riskini tahmin etmek için standart 10-s 12-lead EKG'leri kullanarak yeni bir derin sinir ağı uyguladık. Bu model birden fazla özellik mühendislik tabanlı modellerle karşılaştırıldı. Cinsiyet, ırk ve yaş için alt grup analizleri de yapıldı. Birincil tahmin modelimiz, MLH'den 131 vaka ve 1058 kontrol kullanılarak inşa edilen ve 29 vakada ve LUC'den 165 kontrolde harici olarak doğrulanan tek boyutlu bir konvolüsyonel sinir ağı (1D-CNN) idi. Model, MLH verilerinin %90'ında eğitildi, kalan %10'unda dahili olarak doğrulandı ve LUC verilerinde harici olarak doğrulandı. En iyi performans gösteren model, EKG'den sonraki 6 ay ile 5 yıl arasında herhangi bir zamanda gelecekteki PD'yi tahmin ederken 0.67'lik bir dış doğrulama AUC ile sonuçlandı. Doğruluk, PD teşhisinden 6 ay içinde elde edilen EKG'lerle 3 yıl önce (AUC 0.69) sınırlandırıldığında arttı ve 6 ay içinde gelecekteki PD'yi 1 yıla (AUC 0.74) tahmin ederken en yüksekti. Ham EKG verilerine dayanan 1D-CNN modeli, daha standart EKG özellikli mühendislik yaklaşımları kullanılarak inşa edilen birden fazla modeli geride bıraktı. Bu sonuçlar, yalnızca ham 10s EKG'ler kullanılarak bir kohortta geliştirilen bir tahmin modelinin, özellikle hastalık teşhisine daha yakın olan bağımsız bir kohortta prodromal PD'li bireyleri etkili bir şekilde sınıflandırabileceğini göstermektedir. Standart EKG'ler, düşük maliyetli popülasyon düzeyinde erken tespit ve hastalık değiştirici terapötik denemelere dahil olmak için prodromal PD'li bireylerin tanımlanmasına yardımcı olabilir.
Özgün kaynak özetini okuyun
Little is known about electrocardiogram (ECG) markers of Parkinson's disease (PD) during the prodromal stage. The aim of the study was to build a generalizable ECG-based fully automatic artificial intelligence (AI) model to predict PD risk during the prodromal stage, up to 5 years before disease diagnosis. This case-control study included samples from Loyola University Chicago (LUC) and University of Tennessee-Methodist Le Bonheur Healthcare (MLH). Cases and controls were matched according to specific characteristics (date, age, sex and race). Clinical data were available from May, 2014 onward at LUC and from January, 2015 onward at MLH, while the ECG data were available as early as 1990 in both institutes. PD was denoted by at least two primary diagnostic codes (ICD9 332.0; ICD10 G20) at least 30 days apart. PD incidence date was defined as the earliest of first PD diagnostic code or PD-related medication prescription. ECGs obtained at least 6 months before PD incidence date were modeled to predict a subsequent diagnosis of PD within three time windows: 6 months-1 year, 6 months-3 years, and 6 months-5 years. We applied a novel deep neural network using standard 10-s 12-lead ECGs to predict PD risk at the prodromal phase. This model was compared to multiple feature engineering-based models. Subgroup analyses for sex, race and age were also performed. Our primary prediction model was a one-dimensional convolutional neural network (1D-CNN) that was built using 131 cases and 1058 controls from MLH, and externally validated on 29 cases and 165 controls from LUC. The model was trained on 90% of the MLH data, internally validated on the remaining 10% and externally validated on LUC data. The best performing model resulted in an external validation AUC of 0.67 when predicting future PD at any time between 6 months and 5 years after the ECG. Accuracy increased when restricted to ECGs obtained within 6 months to 3 years before PD diagnosis (AUC 0.69) and was highest when predicting future PD within 6 months to 1 year (AUC 0.74). The 1D-CNN model based on raw ECG data outperformed multiple models built using more standard ECG feature engineering approaches. These results demonstrate that a predictive model developed in one cohort using only raw 10-s ECGs can effectively classify individuals with prodromal PD in an independent cohort, particularly closer to disease diagnosis. Standard ECGs may help identify individuals with prodromal PD for cost-effective population-level early detection and inclusion in disease-modifying therapeutic trials.
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.