NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjektifBu çalışma Parkinson hastalığı (PD) hastaları arasında klinik özelliklere ve biyolojik belirteçlere dayalı tedavi etkinliğinde azalmaya yönelik bir tahmin modeli geliştirmeyi ve doğrulamayı amaçladı, erken risk tanımlaması ve kişiselleştirilmiş terapötik stratejiler için bir temel oluşturdu. MethodsA retrospektif çalışması Ocak 2021 ile Aralık 2024 arasında hastanemize kabul edilen 500 PD hasta üzerinde yapıldı. Hastalar rastgele bir eğitim setine (n = 350) ve 7:3 oranında bir doğrulama setine (n = 150) bölündü. Tüm hastalar için demografik özellikler, klinik derecelendirme ölçekleri ve biyolojik belirteçler toplandı. Eğitim setinde, tedavi etkinliğinin azalmasıyla ilişkili değişkenleri taramak için univariate analiz yapıldı. LASSO regresyonu kullanılarak değişken seçimden sonra, bağımsız tahmincileri tanımlamak için çok değişkenli lojistik regresyon analizi yapılmıştır. Rastgele orman (RF), destek vektör makinesi (SVM) ve gradyan yükseltme dahil olmak üzere tahmin modelleri Python 3.8.5 ve scikit-learn kütüphanesi kullanılarak oluşturulmuştur. Model performansı, alıcı işletim karakteristik eğrisi (AUC) altındaki alan kullanılarak değerlendirildi ve en uygun model anahtar tahminci önemine göre seçildi.Sonuçlar Eğitim ve doğrulama setleri arasında temel özelliklerde önemli farklılıklar gözlenmedi (tüm p> 0.05). Çok değişkenli bir lojistik regresyon analizi, toplam MDS-UPDRS skorunu, MDS-UPDRS II (günlük yaşam aktiviteleri), MDS-UPDRS IV (motor komplikasyonları), PDQ-39 skorunu, E. coli/Lactobacillus oranını, fekal laktoferrin ve fekal kalprotin'i bağımsız risk faktörleri olarak tahmin eder (tüm p Sonuç) Klinik ve biyolojik belirteçleri içeren RF modeli, tedavide etkili bir şekilde gerilemeyi öngörür.
Özgün kaynak özetini okuyun
ObjectiveThis study aimed to develop and validate a predictive model for the decline in treatment efficacy among Parkinson's disease (PD) patients based on clinical characteristics and biological markers, providing a basis for early risk identification and personalized therapeutic strategies.MethodsA retrospective study was conducted on 500 PD patients admitted to our hospital between January 2021 and December 2024. The patients were randomly divided into a training set (n = 350) and a validation set (n = 150) at a 7:3 ratio. Demographic characteristics, clinical rating scales, and biological markers were collected for all patients. In the training set, univariate analysis was performed to screen variables associated with treatment efficacy decline. After variable selection using LASSO regression, multivariate logistic regression analysis was performed to identify independent predictors. Predictive models, including random forest (RF), support vector machine (SVM), and gradient boosting, were constructed using Python 3.8.5 and the scikit-learn library. Model performance was evaluated using the area under the receiver operating characteristic curve (AUC), and the optimal model was selected based on key predictor importance.ResultsNo significant differences in baseline characteristics were observed between the training and validation sets (all p > 0.05). A multivariate logistic regression analysis identified the total MDS-UPDRS score, MDS-UPDRS II (activities of daily living), MDS-UPDRS IV (motor complications), PDQ-39 score, E. coli/Lactobacillus ratio, fecal lactoferrin, and fecal calprotectin as independent risk factors (all p p ConclusionThe RF model incorporating clinical and biological markers effectively predicts decline in treatment efficacy among PD patients, with fecal calprotectin, fecal lactoferrin, and the E. coli/Lactobacillus ratio serving as key predictors.
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.