NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveCurrent klinik değerlendirme, Parkinson hastalığında (DPD) depresyonu tespit etmede hassasiyetten yoksun olma eğilimindedir. Radyomik özellikler yavaş yavaş Parkinson hastalığının (PD) farklı alt tiplerini tanımlamada ve ayırt etmede yardımcı tanı araçları olarak potansiyel göstermiştir ve denetimsiz makine öğrenimini birleştiren bir radyomik yaklaşım, DPD'yi tanımlama potansiyeline sahiptir.MetodsAnalyze 272 Parkinson hastalığı (PD) hastalarının klinik ve görüntüleme verilerini PPMI veri setinden, NACC veri setinden 45 PD hasta ile birlikte analiz eder. T1 ağırlıklı MRI görüntülerinden radyomik özellikleri çıkarın ve boyutsallık azaltma için ana bileşen analizi (PCA) kullanın. Daha sonra, PPMI veri kümesindeki vakaları farklı alt tiplere sınıflandırmak için Gaussian karışım modeli (GMM), hiyerarşik kümeleme, K-anlamları ve medoidlerin (PAM) etrafında bölümleme dahil olmak üzere dört denetimsiz kümeleme yöntemini uygulayın. DPD'nin yüksek riskli alt tiplerini depresyon ilerlemesinin zaman ve sayısına göre tanımlayın ve bu bulguları NACC veri kümesini kullanarak doğrulayın. Yüksek riskli alt tipteki veriler bir eğitim alt türüne ve 7:3 oranında bir test alt türüne bölünmüştür. Yüksek riskli alt tip için geleneksel bir lojistik regresyon modeli geliştirmek için eğitim alt türü verileri üzerinde çoklu lojistik regresyon analizi yapıldı ve daha sonra tüm PPMI kohortu için inşa edilen denetimli bir lojistik regresyon modeli ile karşılaştırıldı. Son olarak, her iki modelin performansı alıcı işletim karakteristikleri (ROC) eğrileri kullanılarak değerlendirildi. Buna ek olarak, yüksek riskli alt tiplerin bağımsız risk faktörlerine dayanan ve düşük riskli alt tip veriler kullanılarak doğrulanmış bir karar ağacı (DT) modeli oluşturulmuştur. ROC eğrileri, bu modeli eğitim alt tipi, test alt tipi ve düşük riskli alt tip veri kümeleri arasında doğrulamak için kullanılmıştır.SonuçlarPAM kümeleme yöntemi, küme sayısı 2 olduğunda diğer üç kümeleme yöntemine kıyasla üstün performans gösterir. DPD'nin yüksek riskli alt tipleri hem PPMI hem de NACC veri kümelerinde etkili bir şekilde ayırt edilebilir. Geleneksel bir lojistik regresyon modeli, yüksek riskli alt gruplarda hızlı göz hareketi davranış bozukluğu, UPDRS I puanı, UPDRS II puanı ve ptau'ya dayalı olarak geliştirilmiştir. Bu model, tüm PPMI kohortu (AUC = 0.674) kullanılarak inşa edilen geleneksel regresyon modelinin ötesine geçen bir tanı etkinliği (AUC = 0.731) sergiler. Yüksek riskli alt tiplere dayanan tahmin modeli, eğitim ve test alt tiplerinde 0.853 ve 0.81 AUC değerlerine, 0.765 ve 0.786 hassasiyetlerine ve sırasıyla 0.771 ve 0.815 özelliklerine sahipti. Yüksek riskli olmayan alt tipteki AUC, duyarlılık ve özgüllük sırasıyla 0.859, 0.654 ve 0.852'dir.BuluşmaMRI yapısal radyomik ve klinik özellikleri potansiyel biyobelirteçler olarak tanımlayarak, radyomik yaklaşım ve UCA, klinik tanıyı yüksek tahmin doğruluğu ile desteklemek için DPD patofizyolojisi hakkında yeni bilgiler sağlar.
Özgün kaynak özetini okuyun
ObjectiveCurrent clinical evaluation may tend to lack precision in detecting depression in Parkinson's disease (DPD). Radiomics features have gradually shown potential as auxiliary diagnostic tools in identifying and distinguishing different subtypes of Parkinson's disease (PD), and a radiomic approach that combines unsupervised machine learning has the potential to identify DPD.MethodsAnalyze the clinical and imaging data of 272 Parkinson's disease (PD) patients from the PPMI dataset, along with 45 PD patients from the NACC dataset. Extract radiomic features from T1-weighted MRI images and employ principal component analysis (PCA) for dimensionality reduction. Subsequently, apply four unsupervised clustering methods including Gaussian mixture model (GMM), hierarchical clustering, K-means, and partitioning around medoids (PAM) to classify cases in the PPMI dataset into distinct subtypes. Identify high-risk subtypes of DPD on the basis of the time and number of depression progression, and validate these findings using the NACC dataset. The data from the high-risk subtype were divided into a training subtype and a testing subtype in a 7:3 ratio. Multiple logistic regression analysis was conducted on the training subtype data to develop a traditional logistic regression model for the high-risk subtype, which was subsequently compared with a supervised logistic regression model constructed for the entire PPMI cohort. Finally, the performance of both models was evaluated using receiver operating characteristic (ROC) curves. In addition, a decision tree (DT) model was constructed based on independent risk factors of high-risk subtypes and validated using low-risk subtype data. ROC curves were employed to validate this model across training subtype, testing subtype, and low-risk subtype datasets.ResultsThe PAM clustering method demonstrates superior performance compared to the other three clustering methods when the number of clusters is 2. High-risk subtypes of DPD can be effectively distinguished in both the PPMI and NACC datasets. A traditional logistic regression model was developed based on rapid-eye-movement behavior disorder, UPDRS I score, UPDRS II score, and ptau in high-risk subgroups. This model exhibits a diagnostic efficacy (AUC = 0.731) that surpasses that of the traditional regression model constructed using the entire PPMI cohort (AUC = 0.674). The prediction model based on high-risk subtypes had AUC values of 0.853 and 0.81 in the training and testing subtypes, sensitivities of 0.765 and 0.786, and specificities of 0.771 and 0.815, respectively. The AUC, sensitivity, and specificity in the nonhigh-risk subtype were 0.859, 0.654, and 0.852, respectively.ConclusionBy identifying MRI structural radiomics and clinical features as potential biomarkers, the radiomic approach and UCA provide new insights into the pathophysiology of DPD to support the clinical diagnosis with high prediction accuracy.
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.