NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveParkinson hastalığı (PD), çoğunlukla motor semptomlarla karakterize olan yaşa bağlı bir nörodejeneratif durumdur. Motor olmayan semptomların (NMS) geniş bir yelpazesi PD hastaları tarafından sıklıkla yaşansa da. Önemli ve yaygın NMS'lerden biri, farklı bilişsel ölçekler kullanılarak ölçülen bilişsel bozukluktur. Bilişsel bozukluğun izlenmesi ve PD'deki düşüşü hasta bakımı ve yönetimi için gereklidir. Bu çalışmada, amacımız, klinik biyobelirteçleri ve DAT SPECT'i başlatan 5 yıllık bir zaman dilimi boyunca bilişsel düşüşü tahmin etmede en etkili bilişsel ölçeği belirlemektir. MethodsMachine Learning daha önce görüntü ve klinik veri sınıflandırması ve tespitinde üstün performans göstermiştir. Bu çalışmada, çeşitli bilişsel ölçeklere dayanarak PD-CD'yi tahmin etmek için DAT SPECT ve klinik biyobelirteçler gibi farklı veri türleriyle makine öğrenimini kullanmayı teklif ediyoruz. Parkinson'un İlerleme İşaretçileri Girişimi'nden (PPMI) 330 DAT SPECT görüntü ve klinik verilerini temel olarak, 2,3,4 ve 5 yıllarında topladık. Daha sonra DAT SPECT görüntülerinden derin radyomik özellikler (DF) elde etmek için bir 3D Autoencoder tasarladık ve daha sonra bilişsel Montreal Assessment (MoCA) ve Hareket Bozukluğu Topluluğu-Birleşik Parkinson Hastalığı Derecelendirme Ölçeği (MDS-UPDRS-I) temelinde bilişsel düşüşü tahmin etmek için 17 klinik özellik (CF) ile birleştirdik. 4 yılında, derin radyomik özelliğin uygulanması, gradyan yükseltici sınıflandırıcıyı kullanarak 89.28'lik çapraz doğrulama AUC ile en yüksek başarıya ulaştı. MDS-UPDRS-I ölçeği için, en yüksek başarı, derin radyomik özelliği kullanılarak elde edildi ve rastgele orman sınıflandırıcısı ile 81.34 AUC çapraz doğrulaması ile sonuçlandı.SonuçlarÇalışma bulguları, MoCA ölçeğinin MDS-UPDRS-I'ye kıyasla 5 yıl içinde bilişsel düşüşün daha etkili bir öngörücüsü olabileceğini göstermektedir. Dahası, derin radyomik özellikler, tek klinik biyobelirteçlere veya klinik ve derin radyomik bir araya gelmesine kıyasla daha iyi performansa sahipti. Bu sonuçlar, DAT SPECT'ten çıkarılan MoCA skoru ve derin radyomik özelliklerin kullanılmasının, dört yıl içinde bilişsel düşüş riski taşıyan bireyleri tanımlamak için umut verici bir yaklaşım olabileceğini göstermektedir. Gelecekteki araştırmalar bu bulguları doğrulamak ve klinik uygulamada yararlarını keşfetmek için gereklidir.
Özgün kaynak özetini okuyun
ObjectiveParkinson's disease (PD) is an age-related neurodegenerative condition characterized mostly by motor symptoms. Although a wide range of non-motor symptoms (NMS) are frequently experienced by PD patients. One of the important and common NMS is cognitive impairment, which is measured using different cognitive scales. Monitoring cognitive impairment and its decline in PD is essential for patient care and management. In this study, our goal is to identify the most effective cognitive scale in predicting cognitive decline over a 5-year timeframe initializing clinical biomarkers and DAT SPECT.MethodsMachine Learning has previously shown superior performance in image and clinical data classification and detection. In this study, we propose to use machine learning with different types of data, such as DAT SPECT and clinical biomarkers, to predict PD-CD based on various cognitive scales. We collected 330 DAT SPECT images and their clinical data in baseline, years 2,3,4, and 5 from Parkinson's Progression Markers Initiative (PPMI). We then designed a 3D Autoencoder to extract deep radiomic features (DF) from DAT SPECT images, and we then concatenated it with 17 clinical features (CF) to predict cognitive decline based on Montreal Cognitive Assessment (MoCA) and The Movement Disorder Society-Unified Parkinson's Disease Rating Scale (MDS-UPDRS-I).ResultsThe utilization of MoCA as a cognitive decline scale yielded better performance in various years compared to MDS-UPDRS-I. In year 4, the application of the deep radiomic feature resulted in the highest achievement, with a cross-validation AUC of 89.28, utilizing the gradient boosting classifier. For the MDS-UPDRS-I scale, the highest achievement was obtained by utilizing the deep radiomic feature, resulting in a cross-validation AUC of 81.34 with the random forest classifier.ConclusionsThe study findings indicate that the MoCA scale may be a more effective predictor of cognitive decline within 5 years compared to MDS-UPDRS-I. Furthermore, deep radiomic features had better performance compared to sole clinical biomarkers or clinical and deep radiomic combined. These results suggest that using the MoCA score and deep radiomic features extracted from DAT SPECT could be a promising approach for identifying individuals at risk for cognitive decline in four years. Future research is needed to validate these findings and explore their utility in clinical practice.
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.