NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçlarParkinson hastalığı (PD) hastalarında tremorun levodopa tepkisini tahmin etmek için makine öğrenme modellerini geliştirmek ve doğrulamak.MetodlarToplam 197 PD titreme hastası Levodopa Challenge Testlerine tabi tutuldu ve levodopa-responsive veya levodopa-dayanıklı titremeye sahip olarak sınıflandırıldı. Klinik ve elektromiyogram (EMG) tremor analizi değişkenleri kaydedildi. Veri kümesi rastgele bir eğitim setine (% 80) ve bir test setine (% 20) bölündü. İki grup arasında ayrım yapmak için Destek vektör makinesi (SVM), rastgele orman (RF) ve lojistik regresyon (LR) modelleri eğitim verileri kullanılarak geliştirilmiştir. Optimum model test verilerinde doğrulandı. Kalibrasyon ve karar eğrisi analizleri model güvenilirliğini ve klinik faydayı değerlendirdi.SonuçlarAmong 197 hasta, 95 levodopa-yanıtlı titreme ve 102 levodopa dirençli titreme vardı. SVM modeli en iyi performansı gösterdi, beş kat çapraz doğrulamada %81.5 doğruluk elde etti, 0.624 Kappa puanı, %84.3 hassasiyet, %77.9 özgüllük ve 0.850 eğrinin (AUC) altında bir alan elde etti. Performans, test verileri üzerinde %82.5 doğruluk, 0.653 Kappa, %93.8 hassasiyet, %75 özgüllük ve 0.896 AUC ile tutarlı kaldı. En iyi model 6 öngörücüyü dahil etti: dinlenme titreme skoru, sertlik / titreme oranı, postural ve kinetik titreme skoru, hastalık süresi, Hareket Bozukluğu Derneği Birleşik Parkinson Hastalığı Değerlendirme Ölçeği III (MDS-UPDRS III) / hastalık süresi ve supin diyastolik kan basıncı (DBP).
Özgün kaynak özetini okuyun
ObjectivesTo develop and validate machine learning models to predict levodopa responsiveness of tremor in Parkinson's disease (PD) patients.MethodsA total of 197 PD tremor patients underwent Levodopa Challenge Tests and were classified as having levodopa-responsive or levodopa-resistant tremor. Clinical and electromyogram (EMG) tremor analysis variables were recorded. The dataset was randomly divided into a training set (80%) and a test set (20%). To distinguish between the two groups, Support vector machine (SVM), random forest (RF), and logistic regression (LR) models were developed using training data. The optimal model was validated on test data. Calibration and decision curve analyses assessed model reliability and clinical utility.ResultsAmong 197 patients, 95 had levodopa-responsive tremor, and 102 had levodopa-resistant tremor. The SVM model showed the best performance, achieving an accuracy of 81.5% in five-fold cross-validation, with a Kappa score of 0.624, sensitivity of 84.3%, specificity of 77.9%, and an area under the curve (AUC) of 0.850. Performance remained consistent on test data, with 82.5% accuracy, 0.653 Kappa, 93.8% sensitivity, 75% specificity, and 0.896 AUC. The best model incorporated 6 predictors: resting tremor score, rigidity/tremor ratio, postural and kinetic tremor score, disease duration, the Movement Disorder Society's Unified Parkinson's Disease Rating Scale III (MDS-UPDRS III) /disease duration, and supine diastolic blood pressure (DBP).ConclusionThe SVM model, incorporating six key indicators, holds significant potential for predicting levodopa responsiveness in PD tremor, offering a valuable tool for the precise treatment of tremor in PD patients.
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.