NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İzole hızlı göz hareketi (REM) uyku davranış bozukluğu (irBD) nörodejeneratif hastalıkların öncüsü olarak kabul edilir. Bu çalışma, iRBD'de fenoconversion'un zamanlama ve alt tipi için öngörücü modeller geliştirmeyi amaçladı. 3,6 yıllık medyan takip süresi boyunca 178 IRBD'li bireyden kapsamlı klinik verileri analiz ettik ve fenokonversiyonun ne zaman gerçekleşeceğini ve ilerlemenin motor veya biliş-öncesi semptomlarla ortaya çıkıp çıkmayacağını tahmin etmek için makine öğrenme modelleri uyguladık. Takip sırasında 30 hasta nörodejeneratif bir bozukluk geliştirdi ve aşırı gradyan arttırıcı hayatta kalma gömme-Kaplan komşuları (XGBSE-KN) modeli zamanlama için en iyi performansı gösterdi (konkordans indeksi: 0.823; entegre Brier skoru: 0.123). Yaş, antidepresan kullanımı ve Hareket Bozukluğu Toplum-Birleşik Parkinson Hastalığı Değerlendirme Ölçeği Bölüm III puanları, daha yüksek fenokonversiyon riski ile ilişkiliyken, kahve tüketimi koruyucuydu. Alt tip sınıflandırma için, RandomForestClassifier en yüksek performansı elde etti (Matthews korelasyon katsayısı: 0.697), bu da daha yüksek Montreal Bilişsel Değerlendirme puanlarının ve daha genç yaşın motor-ilk ilerlemeyi öngördüğünü gösterirken, daha uzun toplam uyku süresi biliş-ilk sonuçlarla ilişkilendirildi. Bu bulgular, makine öğreniminin prognoz ve IRBD için özel müdahalelere rehberlik etmede faydasını vurgulamaktadır. Gelecekteki araştırmalar ek biyobelirteçler içermeli, takip süresini uzatmalıdır ve genellenebilirliği sağlamak için bu modelleri dış kohortlarda doğrulamalıdır.
Özgün kaynak özetini okuyun
Isolated rapid eye movement (REM) sleep behavior disorder (iRBD) is recognized as a precursor to neurodegenerative diseases. This study aimed to develop predictive models for the timing and subtype of phenoconversion in iRBD. We analyzed comprehensive clinical data from 178 individuals with iRBD over a median follow-up of 3.6 years and applied machine learning models to predict when phenoconversion would occur and whether progression would present with motor- or cognition-first symptoms. During follow-up, 30 patients developed a neurodegenerative disorder, and the extreme gradient boosting survival embeddings-Kaplan neighbors (XGBSE-KN) model demonstrated the best performance for timing (concordance index: 0.823; integrated Brier score: 0.123). Age, antidepressant use, and Movement Disorder Society-Unified Parkinson's Disease Rating Scale Part III scores correlated with higher phenoconversion risk, while coffee consumption was protective. For subtype classification, the RandomForestClassifier achieved the highest performance (Matthews correlation coefficient: 0.697), indicating that higher Montreal Cognitive Assessment scores and younger age predicted motor-first progression, whereas longer total sleep time was associated with cognition-first outcomes. These findings highlight the utility of machine learning in guiding prognosis and tailored interventions for iRBD. Future research should include additional biomarkers, extend follow-up, and validate these models in external cohorts to ensure generalizability.
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.