NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında (PD) levodopa tedavisi ile ilişkili hareket komplikasyonlarının tahmini üzerine yapılan araştırmalar sınırlıdır. levodopa kaynaklı diskinezi (LID), PD hastalarının yaşam kalitesini ciddi şekilde etkileyen bir hareket komplikasyonudur. PD hastalarının üçte biri levodopa tedavisinin 1 ila 6 yıl içinde LID geliştirir. Bu çalışma, PD'de erken LID'yi tahmin etmek için radyomik ve makine öğrenimine dayalı modeller oluşturmayı amaçladı. MethodsLevodopa tedavisinin ilk 6 yılında 49 PD kontrolü ve 54 PD ile LID temelinde elde edilen T1 ağırlıklı MRI'dan radyomik özellikleri çıkardık. PD'nin başlangıcıyla ilgili altı beyin bölgesi, ilgi alanları (ROI'ler) olarak bölümlere ayrıldı. En az mutlak büzülme ve seçim operatörü (LASSO) özellik seçimi için kullanıldı. Destek vektör makinesi (SVM), rastgele orman (RF) ve AdaBoost'un makine öğrenme yöntemlerini kullanarak, radyomik modeller ve hibrit modeller inşa ettik. Hibrit modeller, radyomik özellikleri ve Birleşik Parkinson Hastalığı Derecelendirme Ölçeği bölüm III (UPDRS III) toplam skorunu birleştirdi. Beş kat çapraz doğrulama yapıldı ve sınıflandırıcıların istikrarını doğrulamak için 20 kez tekrarlandı. Model doğrulaması için hassasiyet, özgüllük, doğruluk, alıcı işletim karakteristik (ROC) eğrileri ve ROC eğrisinin (AUC) altındaki alanı kullandık.Sonuçlar6138 radyomik özelliğin 33'ünü seçtik. Radyomik modelinin test setinde, SVM, RF ve AdaBoost sınıflandırıcılarının AUC değerleri sırasıyla 0,905, 0,808 ve 0,778 idi ve accuracies 0,839, 0,742 ve 0,710 idi. Hibrit modeller daha iyi tahmin performansına sahipti. Test setinde, SVM, RF ve AdaBoost sınıflandırıcılarının AUC değerleri sırasıyla 0.958, 0.861 ve 0.832 idi ve akcuracies 0.903, 0.806 ve 0.774 idi.Sonuçlarımız, T1 ağırlıklı MR'ın PD'de erken LID'yi tahmin etmede değerli olduğunu göstermektedir. Bu çalışma, radyomik özelliklerin ve klinik özelliklerin kombinasyonunun, PD'deki erken LID'yi tanımlamak için iyi bir potansiyele ve değere sahip olduğunu göstermektedir.
Özgün kaynak özetini okuyun
BackgroundCurrent research on the prediction of movement complications associated with levodopa therapy in Parkinson's disease (PD) is limited. levodopa-induced dyskinesia (LID) is a movement complication that seriously affects the life quality of PD patients. One-third of PD patients develop LID within 1 to 6 years of levodopa treatment. This study aimed to construct models based on radiomics and machine learning to predict early LID in PD.MethodsWe extracted radiomics features from the T1-weighted MRI obtained in the baseline of 49 PD control and 54 PD with LID in the first 6 years of levodopa therapy. Six brain regions related to the onset of PD were segmented as regions of interest (ROIs). The least absolute shrinkage and selection operator (LASSO) was used for feature selection. Using the machine learning methods of support vector machine (SVM), random forest (RF), and AdaBoost, we constructed radiomics models and hybrid models. The hybrid models combined the radiomics features and the Unified Parkinson's Disease Rating Scale part III (UPDRS III) total score. The five-fold cross-validation was performed and repeated 20 times to validate the stability of the classifiers. We used sensitivity, specificity, accuracy, receiver operating characteristic (ROC) curves, and area under the ROC curve (AUC) for model validation.ResultsWe selected 33 out of 6138 radiomics features. In the testing set of the radiomics model, the AUC values of the SVM, RF, and AdaBoost classifiers were 0.905, 0.808, and 0.778, respectively, and the accuracies were 0.839, 0.742, and 0.710. The hybrid models had better prediction performance. In the testing set, the AUC values of SVM, RF, and AdaBoost classifiers were 0.958, 0.861, and 0.832, respectively, and the accuracies were 0.903, 0.806, and 0.774.ConclusionsOur results indicate that T1-weighted MRI is valuable in predicting early LID in PD. This work demonstrates that the combination of radiomics features and clinical features has good potential and value for identifying early LID in PD.
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.