NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD) olan hastalar genellikle bilişsel düşüşten muzdariptir. Bilişsel gerilemenin doğru tahmini, risk altındaki hastaların erken tedavisi için gereklidir. Bu çalışmanın amacı, erken PD'li hastalarda sürekli bilişsel düşüş tahmini için multimodal bir makine öğrenme modeli geliştirmek ve değerlendirmekti. Parkinson İlerleme İşaretçileri Girişimi (PPMI) veritabanından 213 PD hastasını dahil ettik. Montreal Bilişsel Değerlendirme (MoCA) skorundaki değişimi tahmin etmek için makine öğrenimi kullanıldı ve sonuç olarak temel ve 4 yıllık takip verileri arasındaki farkı kullandı. Giriş özellikleri dört set halinde kategorize edildi: klinik test skorları, beyin omurilik sıvısı (CSF) biyobelirteçleri, beyin hacimleri ve genetik varyantlar. Tüm girdi özellik setleri kombinasyonları demografi ve temel bilişten oluşan temel bir modele eklendi. RReliefF tabanlı özellik sıralaması ve on kat çapraz doğrulama ile birlikte destek vektör regresyonu kullanan yineleyici bir şema, tahmin edici özelliklerin optimal sayısını belirlemek ve girdi özellik setlerinin her bir kombinasyonu için model performansını değerlendirmek için kullanıldı. En iyi performans gösteren modelimiz temel model, klinik test puanları ve CSF tabanlı biyobelirteçlerin birleşiminden oluşuyordu. Bu model, temel biliş, CSF fosforile tau, CSF toplam tau, CSF amiloid-beta1-42, geriatrik depresyon ölçeği (GDS) puanları ve anksiyete skorlarını içeren 12 özelliğe sahipti. İlginçtir ki, modelimizdeki tahmin edici özelliklerin çoğu daha önce Parkinson hastalığı olan hastalarda Alzheimer hastalığı patolojisini değerlendirmenin önemini gösteren Alzheimer hastalığı ile ilişkilendirilmiştir.
Özgün kaynak özetini okuyun
Patients with Parkinson's Disease (PD) often suffer from cognitive decline. Accurate prediction of cognitive decline is essential for early treatment of at-risk patients. The aim of this study was to develop and evaluate a multimodal machine learning model for the prediction of continuous cognitive decline in patients with early PD. We included 213 PD patients from the Parkinson's Progression Markers Initiative (PPMI) database. Machine learning was used to predict change in Montreal Cognitive Assessment (MoCA) score using the difference between baseline and 4-years follow-up data as outcome. Input features were categorized into four sets: clinical test scores, cerebrospinal fluid (CSF) biomarkers, brain volumes, and genetic variants. All combinations of input feature sets were added to a basic model, which consisted of demographics and baseline cognition. An iterative scheme using RReliefF-based feature ranking and support vector regression in combination with tenfold cross validation was used to determine the optimal number of predictive features and to evaluate model performance for each combination of input feature sets. Our best performing model consisted of a combination of the basic model, clinical test scores and CSF-based biomarkers. This model had 12 features, which included baseline cognition, CSF phosphorylated tau, CSF total tau, CSF amyloid-beta1-42, geriatric depression scale (GDS) scores, and anxiety scores. Interestingly, many of the predictive features in our model have previously been associated with Alzheimer's disease, showing the importance of assessing Alzheimer's disease pathology in patients with Parkinson's disease.
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.