NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), özellikle Çin'de yaşlanan toplumlarda önemli bir halk sağlığı sorunu sunan hızla büyüyen bir nörodejeneratif bozukluktur. Genetik, klinik ve çevresel risk faktörleri iyi belirlenmiş olsa da, çok boyutlu faktörlerin (ekonomik belirleyiciler, prodromal fonksiyonel bozukluklar ve yaşam tarzı) tahmin edici değeri Çin popülasyonlarında az araştırılmaktadır. Çin Sağlık ve Emeklilik Uzunlamasına Çalışması'ndan (n = 13,649; PD vakaları = 269) elde edilen verileri, PD için bir makine öğrenme tahmin modeli geliştirmek ve doğrulamak için kullandık. Aday öngörücüler biliş, sosyoekonomik durum, komorbiditeler ve yaşam tarzını kapsıyordu. Özellik seçimi, bir topluluk yaklaşımı (boruta, en az mutlak büzülme ve seçim operatörü ve minimum fazlalık maksimum alaka), ardından Bayesian hiperparametre optimizasyonu ile aşırı gradyan artırma (XGBoost) model geliştirme kullanılarak gerçekleştirildi. Veriler rastgele bir eğitim setine (%70) ve dahili doğrulama için bir doğrulama setine (%30) ayrıldı. Model performansı, alıcının çalışma karakteristik eğrisi, karar eğrisi analizi, hassasiyet, özgüllük, pozitif tahmin değeri, negatif tahmin değeri ve F1-skoru altındaki alan kullanılarak değerlendirildi. Model yorumlanabilirliği, SHapley Additive exPlanations kullanılarak değerlendirildi. Anahtar tahminciler arasında bilişsel bozukluk (hafıza ve yürütme açıkları), fiziksel hareketsizlik (düşük metabolik eşdeğer puanlar), sosyoekonomik göstergeler (emeklilik durumu ve finansal destek), eğitimsel kazanımlar ve komorbiditeler (örneğin karaciğer hastalığı ve bilek ağrısı) vardı. Onaylama setinde, optimize edilmiş XGBoost modeli 0.967 (95% güven aralığı 0.962-0.972, hassasiyet 82.0%, özgüllük %94.7, pozitif tahmin değeri %81.5, negatif tahmin değeri %94.9 ve F1-score 81.7) eğrisi altında bir alan elde etti. Shapley Additive exPlanations analizleri, bu tahmincilerin tutarlılığını ve göreceli önemini destekledi. Çok boyutlu ulusal verileri birleştiren açıklanabilir bir XGBoost modeli, Çin Sağlık ve Emeklilik Boyuna Çalışmasında PD'li bireyleri tanımlamak için mükemmel bir iç doğrulama performansı gösterdi. Bu araç, Çin popülasyonlarında PD risk tabakalaşmasını desteklemeye yardımcı olabilir; klinik uygulamadan önce dış doğrulama ve olası değerlendirme garanti edilir.
Özgün kaynak özetini okuyun
Parkinson disease (PD) is a rapidly growing neurodegenerative disorder that presents a significant public health challenge in aging societies, particularly in China. Although genetic, clinical, and environmental risk factors have been well-established, the predictive value of multidimensional factors (encompassing socioeconomic determinants, prodromal functional impairments, and lifestyle) remains underexplored in Chinese populations. We used data from the China Health and Retirement Longitudinal Study (n = 13,649; PD cases = 269) to develop and validate a machine learning prediction model for PD. Candidate predictors covered cognition, socioeconomic status, comorbidities, and lifestyle. Feature selection was performed using an ensemble approach (boruta, least absolute shrinkage and selection operator, and minimum redundancy maximum relevance), followed by extreme gradient boosting (XGBoost) model development with Bayesian hyperparameter optimization. Data were randomly split into a training set (70%) and a validation set (30%) for internal validation. Model performance was evaluated using area under the receiver operating characteristic curve, decision curve analysis, sensitivity, specificity, positive predictive value, negative predictive value, and F1-score. Model interpretability was evaluated using SHapley Additive exPlanations. Key predictors included cognitive impairment (memory and executive deficits), physical inactivity (low metabolic-equivalent scores), socioeconomic indicators (retirement status and financial support), educational attainment, and comorbidities (e.g., liver disease and wrist pain). In the validation set, the optimized XGBoost model achieved an area under the curve of 0.967 (95% confidence interval 0.962-0.972), sensitivity 82.0%, specificity 94.7%, positive predictive value 81.5%, negative predictive value 94.9%, and F1-score 81.7. SHapley Additive exPlanations analyses supported the consistency and relative importance of these predictors. An explainable XGBoost model integrating multidimensional national data showed excellent internal validation performance for identifying individuals with PD in China Health and Retirement Longitudinal Study. This tool may help support PD risk stratification in Chinese populations; external validation and prospective evaluation are warranted before clinical implementation.
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.