NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planBilişsel bozukluk, Parkinson hastalığının yaygın ve motor olmayan bir semptomudur, yaşam kalitesini önemli ölçüde azaltır ve bakıcı yükünü yükseltir. Her ne kadar önemli araştırmalar yapılmış olsa da, bilişsel bozukluğun erken tahmini heterojen klinik sunumlar, tedaviye bağlılıktaki varyasyonlar ve geleneksel biyobelirteçlerin ve bilişsel değerlendirme araçlarının duyarlılığındaki doğal sınırlamalar nedeniyle zorlu olmaya devam etmektedir.Metodlar ve malzemelerTam temel verilere ve en az 6 aylık takip süresine sahip 514 Parkinson hastalığı hastasını içeren retrospektif bir kohort çalışması. Katılımcılar rastgele bir eğitim kohortuna (n = 359) ve bir test kohortuna (n = 155) ayrıldı. Demografik, klinik, biyokimyasal ve nöropsikolojik değişkenler başlangıçta elde edilmiştir. Bilişsel bozukluk, Mini-Mental Devlet Sınavı puanlarının eğitimle ayarlanan eşiklerin altına düşmesine ve Montreal Bilişsel Değerlendirmesi kullanılarak daha da doğrulanmasına dayanarak tanımlandı. Random Forest, Logistic Regression, Gradient Boosting, CatBoost ve Support Vector Machine dahil olmak üzere birden fazla makine öğrenme modeli, alıcının karakteristik eğri, doğruluk, geri çağırma, F1-score, kalibrasyon ve karar eğrisi analizi yapan alanı kullanarak geliştirildi ve değerlendirildi. Önemli tahmin değişkenlerini tanımlamak için özellik önemi analizi yapıldı.SonuçlarTakip sırasında, bilişsel bozukluk geliştiren hastalar önemli ölçüde daha yaşlıydı ve daha uzun hastalık süresi, daha düşük albümin, hematokrit ve kan lipidlerinin yanı sıra daha yüksek hipertansiyon prevalansı vardı. Tanımlanan özellik seçimi: Yaş, Platelet sayısı, Tanıdan temel ziyaretine kadar geçen süre, Apolipoprotein B ve Hematokrit tahmin ediciler olarak. Random Forest modeli, alıcının çalışma karakteristik eğrisi = 0.846, doğruluk = 0.75 ve bir F1-score = 0.775 altındaki alan ile en iyi genel performansı gösterdi ve bunu CatBoost ve Logistic Regression izledi. Kalibrasyon ve karar eğrisi analizleri, Random Forest'ın istikrarlı olasılık tahmini ve üstün klinik yararını "hepsini tedavi etme" veya "hiçbirini tedavi etme" stratejileri ile karşılaştırıldığında doğruladı. Ayrıca modelin istikrarını doğrulamak için Montreal Bilişsel Değerlendirme puanını kullanın.ConclusionMachine multimodal klinik ve nöropsikolojik verileri entegre eden öğrenme modelleri Parkinson hastalığında bilişsel bozukluğun tahmininde yüksek doğruluk gösterir, Random Forest en güvenilir yaklaşım olarak ortaya çıkar. Bu çerçeve, Parkinson hastalığındaki bilişsel düşüşün yükünü azaltmak için potansiyel olarak zamanında müdahaleleri ve bireyselleştirilmiş yönetimi mümkün kılan erken risk tabakalaşması için pratik bir araç sağlar.
Özgün kaynak özetini okuyun
BackgroundCognitive impairment is a common and disabling non-motor symptom of Parkinson's disease, markedly diminishing quality of life and elevating caregiver burden. Although considerable research has been conducted, the early prediction of cognitive impairment remains challenging owing to heterogeneous clinical presentations, variations in treatment adherence, and the inherent limitations in sensitivity of conventional biomarkers and cognitive assessment tools.Methods and materialsA retrospective cohort study involving 514 Parkinson's disease patients who had complete baseline data and a minimum of 6 months of follow-up. Participants were randomly allocated into a training cohort (n = 359) and a test cohort (n = 155). Demographic, clinical, biochemical, and neuropsychological variables were obtained at baseline. Cognitive impairment was defined based on Mini-Mental State Examination scores falling below education-adjusted thresholds and further validated using the Montreal Cognitive Assessment. Multiple machine learning models-including Random Forest, Logistic Regression, Gradient Boosting, CatBoost, and Support Vector Machine-were developed and evaluated using the area under the receiver operating characteristic curve, accuracy, recall, F1-score, calibration, and decision curve analysis. Feature importance analysis was performed to identify key predictive variables.ResultsDuring follow-up, patients who developed cognitive impairment were significantly older and had longer disease duration, lower levels of albumin, hematocrit, and blood lipids, as well as a higher prevalence of hypertension. Feature selection identified: Age, Platelet count, Time from diagnosis to baseline visit, Apolipoprotein B, and Hematocrit as the predictors. The Random Forest model demonstrated the best overall performance, with the area under the receiver operating characteristic curve = 0.846, accuracy = 0.75, and an F1-score = 0.775, followed by CatBoost and Logistic Regression. Calibration and decision curve analyses confirmed stable probability estimation and superior clinical utility of Random Forest compared with "treat all" or "treat none" strategies. Further use the Montreal Cognitive Assessment score to verify the stability of the model.ConclusionMachine learning models integrating multimodal clinical and neuropsychological data demonstrate high accuracy in predicting cognitive impairment in Parkinson's disease, with Random Forest emerging as the most reliable approach. This framework provides a practical tool for early risk stratification, potentially enabling timely interventions and individualized management to reduce the burden of cognitive decline in Parkinson's disease.
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.