NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Kortikal kalınlık ve beyaz madde lifinin yürüyüş donması (FoG) ile ilişkisinin klinik uygulamaları Parkinson hastalığı (PD) olan hastalarda sınırlıdır. Bu retrospektif çalışmada, difüzyon ağırlıklı görüntülemeden beyaz madde lifi ve manyetik rezonans görüntülemenin yapısal ağırlıklı görüntülemesinden kortikal kalınlık kullanılarak, makine öğrenimine dayalı bir modelin PD'li hastalarda bireysel düzeyde FoG riskinin değerlendirilmesine yardımcı olup olamayacağını araştırdık. Parkinson Hastalığı İlerleme İşaretleyici Girişimi veritabanından elde edilen veriler keşif kohortu olarak kullanılırken, Fujian Tıp Üniversitesi Union Hastanesi Parkinson Hastalığı veritabanından elde edilen veriler dış doğrulama kohortu olarak kullanıldı. Klinik değişkenler, beyaz madde lifi ve kortikal kalınlık rastgele orman regresyonu ile seçildi. Seçilen özellikler destek vektör makinesi (SVM) öğrenme modellerini eğitmek için kullanıldı. Alıcının çalışma karakteristik eğrisinin (AUC) altındaki medyan alan hesaplandı. Model performansı dış doğrulama kohortu kullanılarak doğrulandı. Keşif kohortunda, PD'li 25 hasta FoG dönüştürücüleri olarak tanımlandı (15 erkek, ortalama yaş 62.1 yıl), 60 hasta ise FoG konvertörsüzleri olarak tanımlandı (38 erkek, ortalama yaş 58,5 yıl). Dış doğrulama kohortunda, PD'li 18 hasta FoG dönüştürücüleri olarak tanımlandı (8 erkek, ortalama yaş 66.9), 37 ise FoG konvertörsüzleri olarak tanımlandı (21 erkek, ortalama yaş 65.1 yıl). Keşif kohortunda, klinik değişkenler, kortikal kalınlık ve beyaz madde lifi ile eğitilen model daha iyi performans sergiledi (AUC, 0.67-0.88). Daha da önemlisi, SVM-radyal kernel modelleri, beyaz madde lifi, kortikal kalınlık ve klinik değişkenleri içeren rastgele aşırı örnekleme örnekleri kullanılarak eğitildi ve daha iyi performans sergiledi (AUC, 0.88). Yukarıda belirtilen özellikleri kullanarak eğitilen bu model, bir dış doğrulama kohortunda (AUC, 0.91) başarıyla doğrulandı. Ayrıca, kullanılan aşağıdaki minimal özellik setleri: fraksiyonel anizotropi değeri ve sağ talamik radyasyon için ortalama difüzivite değeri, taban çizgisindeki yaş ve sol precentral girus ve sağ dorsal posterior singulat girus için kortikal kalınlık. Bu nedenle, beyaz madde lifi ve kortikal kalınlık kullanan makine öğrenimine dayalı modeller, PD'li hastalarda bireysel düzeyde FoG dönüşüm riskini tahmin etmeye yardımcı olabilir ve klinik değişkenlerle birleştirildiğinde daha iyi performans sağlar.
Özgün kaynak özetini okuyun
The clinical applications of the association of cortical thickness and white matter fiber with freezing of gait (FoG) are limited in patients with Parkinson's disease (PD). In this retrospective study, using white matter fiber from diffusion-weighted imaging and cortical thickness from structural-weighted imaging of magnetic resonance imaging, we investigated whether a machine learning-based model can help assess the risk of FoG at the individual level in patients with PD. Data from the Parkinson's Disease Progression Marker Initiative database were used as the discovery cohort, whereas those from the Fujian Medical University Union Hospital Parkinson's Disease database were used as the external validation cohort. Clinical variables, white matter fiber, and cortical thickness were selected by random forest regression. The selected features were used to train the support vector machine(SVM) learning models. The median area under the receiver operating characteristic curve (AUC) was calculated. Model performance was validated using the external validation cohort. In the discovery cohort, 25 patients with PD were defined as FoG converters (15 men, mean age 62.1 years), whereas 60 were defined as FoG nonconverters (38 men, mean age 58.5 years). In the external validation cohort, 18 patients with PD were defined as FoG converters (8 men, mean age 66.9 years), whereas 37 were defined as FoG nonconverters (21 men, mean age 65.1 years). In the discovery cohort, the model trained with clinical variables, cortical thickness, and white matter fiber exhibited better performance (AUC, 0.67-0.88). More importantly, SVM-radial kernel models trained using random over-sampling examples, incorporating white matter fiber, cortical thickness, and clinical variables exhibited better performance (AUC, 0.88). This model trained using the above mentioned features was successfully validated in an external validation cohort (AUC, 0.91). Furthermore, the following minimal feature sets that were used: fractional anisotropy value and mean diffusivity value for right thalamic radiation, age at baseline, and cortical thickness for left precentral gyrus and right dorsal posterior cingulate gyrus. Therefore, machine learning-based models using white matter fiber and cortical thickness can help predict the risk of FoG conversion at the individual level in patients with PD, with improved performance when combined with clinical variables.
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.