NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planParkinson hastalığı (PD), özellikle motor semptom ilerlemesinde önemli klinik heterojenlik gösterir. Bu çalışma, PD'deki motor ilerlemenin farklı yörüngelerini tanımlamayı ve ilişkili öngörü faktörlerini keşfetmeyi amaçlamaktadır. MetodData, Parkinson'un İlerleme İşaretçileri Girişimi (PPMI) veritabanından [2025-3-25] elde edilmiştir. Motor semptom şiddeti MDS-UPDRS III skorları kullanılarak ölçüldü. Latent sınıf yörünge analizi, farklı ilerleme kalıplarını tanımlamak için kullanıldı. Tahmincileri değerlendirmek için çok sayıda lojistik regresyon ve makine öğrenimi modelleri kullanıldı.SonuçlarÜç farklı motor ilerleme rotası belirlendi: yavaş ilerleme (%38), orta ilerleme (%55.9) ve hızlı ilerleme (%6.1). Yavaş ilerleme grubu ile karşılaştırıldığında, daha yüksek bir temel MDS-UPDRS III skoru hem orta (OR = 1.27,% 95 CI: 1.23-1.31, p p p = 0.014) hem de hızlı ilerleme (OR = 0.89,% 95 CI: 0.81-0.98, p = 0.016) ile güçlü bir şekilde ilişkiliydi. Ek olarak, daha yüksek taban BMI (5 kg / m2 artış başına) daha büyük orta oranlı (OR = 1.19,% 95 CI: 1.01-1.41, p = 0.042) ile ilişkiliydi. Son olarak, her bir 1-birim düşük ortalama striatum spesifik bağlanma oranı (SBR), yavaş ilerleme grubuna kıyasla orta derecede ilerleme olasılığını %32 oranında azalttı (OR = 0.68, %95 CI: 0.46-0.99, p = 0.044). Makine öğrenme analizi, bu faktörlerin öngörüsel önemini doğruladı; Random Forest modeli 0.950 AUC elde etti.ConclusionBaseline motor şiddeti, dopaminerjik görüntüleme, beslenme durumu ve vücut ağırlığı, PD'deki motor ilerlemesinin temel belirleyicileridir. Bu bulgular, erken risk tabakalama ve kişiselleştirilmiş yönetim stratejileri potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
BackgroundParkinson's disease (PD) exhibits significant clinical heterogeneity, particularly in motor symptom progression. This study aims to identify distinct trajectories of motor progression in PD and explore associated predictive factors.MethodsData were obtained from the Parkinson's Progression Markers Initiative (PPMI) database on [2025-3-25]. Motor symptom severity was measured using the MDS-UPDRS III scores. Latent class trajectory analysis was used to identify distinct progression patterns. Multinomial logistic regression and machine learning models were used to evaluate predictors.ResultsThree distinct motor progression trajectories were identified: slow progression (38%), moderate progression (55.9%), and rapid progression (6.1%). Compared to the slow progression group, a higher baseline MDS-UPDRS III score was strongly associated with both moderate (OR = 1.27, 95% CI: 1.23-1.31, p p p = 0.014) and rapid progression (OR = 0.89, 95% CI: 0.81-0.98, p = 0.016). Additionally, higher baseline BMI (per 5 kg/m2 increase) was associated with greater odds of moderate (OR = 1.19, 95% CI: 1.01-1.41, p = 0.042). Finally, each 1-unit lower mean striatum specific binding ratio (SBR) reduced the odds of moderate progression by 32% compared with the slow-progression group (OR = 0.68, 95% CI: 0.46-0.99, p = 0.044). Machine learning analysis confirmed the predictive importance of these factors, with the Random Forest model achieving an AUC of 0.950.ConclusionBaseline motor severity, dopaminergic imaging, nutritional status, and body weight are key predictors of motor progression in PD. These findings highlight the potential for early risk stratification and personalized management strategies.
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.