NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundLevodopa Parkinson hastalığı (PD) hastalarında ortostatik hipotansiyon (OH) indükleyebilir. Akut OH sonrası levodopa (AOHPL) doğru tahmin PD hastalarında rasyonel ilaç kullanımı için önemlidir. Burada, AOHPL geliştirme olasılığı yüksek olan hastaları tanımlamada hekimleri kolaylaştırmak için AOHPL'nin bir tahmin modelini geliştirir ve onaylarız.MetodlarÇalışma, LCT sırasında dört kez levodopa meydan okuma testi (LCT) ve supin-to-stand testi (STS) uygulanan 497 PD hastasını içeriyordu. Hastalar, OH'nin levodopa etkinliği (AOHPL) sırasında meydana gelip gelmediğine (AOHPL olmayan) bağlı olarak iki gruba ayrıldı. Veri kümesi rastgele olarak eğitime (%80) ve bağımsız test verilerine (%20) ayrıldı. Birkaç model AOHPL ve non-AOHPL arasındaki ayrımcılık için eğitildi ve karşılaştırıldı. Son model bağımsız test verileri üzerinde değerlendirildi. Bağımsız test verilerinde verilen gözlemler için değişkenlerin belirli tahminleri nasıl açıkladığını ortaya çıkarmak için Shapley additive replations (SHAP) değerleri kullanıldı.SonuçlarAOHPL'li 180 PD hasta ve AOHPL'li 194 PD hastayı öngörücü modeller geliştirmek ve doğrulamak için dahil ettik. Random Forest, son modelimiz olarak son modelimiz olarak seçildi [AUC_ROC 0.776, doğruluk %73,6, hassasiyet %71.6, özgüllük %75,7] diğer modellerden daha iyi performans gösterdi. Bu tahmin modelindeki en önemli özellikler, ilaçtan önce STS'nin maksimum SBP düşüşü ve DBP düşüşüydü (DeltaSBP/DeltaDBP). Bağımsız test verilerinde %72'lik bir tahmin doğruluğu elde ettik. DeltaSBP, DeltaDBP, ve ayakta ortalama arter basıncı bağımsız test verilerinde tüm bireysel gözlemler boyunca tahminlere en çok katkıda bulunan ilk üç değişkendi.SonuçlarDoğrulanmış sınıflandırıcı, klinikçiler için değerli bir araç olarak hizmet edebilir ve erken bir aşamada AOHPL gelişen bir hastanın olasılığını sunar. Bu, klinik karar vermeyi destekler, potansiyel olarak PD hastaları için yaşam kalitesini arttırır.
Özgün kaynak özetini okuyun
BackgroundLevodopa could induce orthostatic hypotension (OH) in Parkinson's disease (PD) patients. Accurate prediction of acute OH post levodopa (AOHPL) is important for rational drug use in PD patients. Here, we develop and validate a prediction model of AOHPL to facilitate physicians in identifying patients at higher probability of developing AOHPL.MethodsThe study involved 497 PD inpatients who underwent a levodopa challenge test (LCT) and the supine-to-standing test (STS) four times during LCT. Patients were divided into two groups based on whether OH occurred during levodopa effectiveness (AOHPL) or not (non-AOHPL). The dataset was randomly split into training (80%) and independent test data (20%). Several models were trained and compared for discrimination between AOHPL and non-AOHPL. Final model was evaluated on independent test data. Shapley additive explanations (SHAP) values were employed to reveal how variables explain specific predictions for given observations in the independent test data.ResultsWe included 180 PD patients without AOHPL and 194 PD patients with AOHPL to develop and validate predictive models. Random Forest was selected as our final model as its leave-one-out cross validation performance [AUC_ROC 0.776, accuracy 73.6%, sensitivity 71.6%, specificity 75.7%] outperformed other models. The most crucial features in this predictive model were the maximal SBP drop and DBP drop of STS before medication (ΔSBP/ΔDBP). We achieved a prediction accuracy of 72% on independent test data. ΔSBP, ΔDBP, and standing mean artery pressure were the top three variables that contributed most to the predictions across all individual observations in the independent test data.ConclusionsThe validated classifier could serve as a valuable tool for clinicians, offering the probability of a patient developing AOHPL at an early stage. This supports clinical decision-making, potentially enhancing the quality of life for PD patients.
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.