Prediction of Parkinson's Disease Using Machine Learning Methods.

Araştırma özeti

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

Parkinson hastalığının (PD) erken evrelerinde saptanması, tedavisi ve yönetimi için büyük önem taşır, ancak hangi bilgilerin gerekli olduğu ve PD riskini en iyi tahmin etmek için hangi modellerin kullanılması gerektiği konusunda fikir birliği yoktur. Çalışmamızda, öncelikle maliyet ve erişilebilirliklerine dayanarak PD ile ilişkili faktörleri grupladık ve daha sonra kapsamlı değerlendirmeye izin vermek için yaygın olarak kullanılan sekiz makine öğrenme modeli kullanılarak inşa edilen risk tahminlerine yavaş yavaş dahil ettik. Son olarak, her bir faktörün katkılarını araştırmak için Shapley Additive Explainations (SHAP) yöntemi kullanılmıştır. Demografik değişkenler, hastane kabul muayeneleri, klinik değerlendirme ve polijenik risk skoru ile inşa edilen modellerin en iyi tahmin performansını elde ettiğini ve invazif biyobelirteçlerin dahil edilmesinin doğruluğunu daha da artıramadığını gördük. Düşünülen sekiz makine öğrenimi modeli arasında, cezalı lojistik regresyon ve XGBoost, PD riskini değerlendirmek için en doğru algoritmalardı, cezalı lojistik regresyon 0.94 eğrisinin altında bir alana ve 0,08 Brier puanına ulaştı. Olfaktör fonksiyonu ve polijenik risk skorları PD riski için en önemli öngörücülerdi. Araştırmamız, gerekli bilgi ve verimli makine öğrenme araçlarının vurgulandığı PD risk değerlendirmesi için pratik bir çerçeve sunmuştur.

Özgün kaynak özetini okuyun

The detection of Parkinson's disease (PD) in its early stages is of great importance for its treatment and management, but consensus is lacking on what information is necessary and what models should be used to best predict PD risk. In our study, we first grouped PD-associated factors based on their cost and accessibility, and then gradually incorporated them into risk predictions, which were built using eight commonly used machine learning models to allow for comprehensive assessment. Finally, the Shapley Additive Explanations (SHAP) method was used to investigate the contributions of each factor. We found that models built with demographic variables, hospital admission examinations, clinical assessment, and polygenic risk score achieved the best prediction performance, and the inclusion of invasive biomarkers could not further enhance its accuracy. Among the eight machine learning models considered, penalized logistic regression and XGBoost were the most accurate algorithms for assessing PD risk, with penalized logistic regression achieving an area under the curve of 0.94 and a Brier score of 0.08. Olfactory function and polygenic risk scores were the most important predictors for PD risk. Our research has offered a practical framework for PD risk assessment, where necessary information and efficient machine learning tools were highlighted.

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.