NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: Parkinson hastalığı (PD), öncelikle orta yaşlıları yaşlı nüfusa etkileyen ikinci en yaygın nörodejeneratif hastalıktır. Motor olmayan semptomları arasında, bilişsel düşüş (CD) demansın öncüsüdür ve erken risk değerlendirmesi ve teşhisi için kritik bir hedefi temsil eder. Doğru CD tahmini, risk altındaki hastaların zamanında müdahale edilmesi ve özel olarak yönetilmesi için çok önemlidir. Bu çalışma, CD riskini erken evre PD'de beş yıl boyunca tahmin etmek için makine öğrenimi (ML) tekniklerini kullandı. Yöntemler: Erken Parkinson Hastalığı Boyuna Singapur'dan (2014'ten 2018'e) elde edilen veriler, Montreal Bilişsel Değerlendirme'de art arda iki yıl boyunca bir birim yıllık düşüş veya bir birim düşüş olarak tanımlanan CD'yi tahmin etmek için kullanıldı. Dört ML yöntemi-AutoScore, Random Forest, K-Nearest Neighbors ve Neural Network-temel demografi, klinik değerlendirmeler ve kan biyobelirteçleri kullanılarak uygulandı. Bulgular: Değişken seçilim, eğitim yılı, diyastolik yalancı kan basıncı, diyastolik ayakta kan basıncı, sistolik yalancı kan basıncı, Hoehn ve Yahr ölçeği, vücut kitle indeksi, treonine 181'de fosforile tau, toplam tau, Nörofilament ışık zinciri ve tümörijenisitenin baskılanması dahil olmak üzere CD'nin anahtar öngörücülerini tanımladı 2. Random Forest, 10 kat çapraz doğrulama kullanarak 0.93 (%95 CI: 0.89, 0.97) AUC elde ederek en etkilisiydi. Sonuç: Burada, ML tabanlı modellerin CD riski yüksek olan erken evre PD hastalarını tanımlayabileceğini, hedeflenen müdahaleleri destekleyebileceğini ve PD yönetimini iyileştirebileceğini gösteriyoruz.
Özgün kaynak özetini okuyun
Background: Parkinson's disease (PD) is the second most common neurodegenerative disease, primarily affecting the middle-aged to elderly population. Among its nonmotor symptoms, cognitive decline (CD) is a precursor to dementia and represents a critical target for early risk assessment and diagnosis. Accurate CD prediction is crucial for timely intervention and tailored management of at-risk patients. This study used machine learning (ML) techniques to predict the CD risk over five-year in early-stage PD. Methods: Data from the Early Parkinson's Disease Longitudinal Singapore (2014 to 2018) was used to predict CD defined as a one-unit annual decrease or a one-unit decline in Montreal Cognitive Assessment over two consecutive years. Four ML methods-AutoScore, Random Forest, K-Nearest Neighbors and Neural Network-were applied using baseline demographics, clinical assessments and blood biomarkers. Results: Variable selection identified key predictors of CD, including education year, diastolic lying blood pressure, diastolic standing blood pressure, systolic lying blood pressure, Hoehn and Yahr scale, body mass index, phosphorylated tau at threonine 181, total tau, Neurofilament light chain and suppression of tumorigenicity 2. Random Forest was the most effective, achieving an AUC of 0.93 (95% CI: 0.89, 0.97), using 10-fold cross-validation. Conclusions: Here, we demonstrate that ML-based models can identify early-stage PD patients at high risk for CD, supporting targeted interventions and improved PD management.
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.