NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan: İnsülin direnci (IR), Parkinson hastalığında (PD) bilişsel bozukluğun patogenezinde önemli bir oyuncu olarak ortaya çıkmıştır. Bu çalışma, PD demansı ile olan ilişkileri için glukolipotoksisiteye dayalı (TyG, AIP) adipositeye bağlı (TyG-BMI, METS-IR) IR indekslerini sistematik olarak karşılaştırmayı ve yorumlanabilir bir makine öğrenme çerçevesi kullanarak klinik olarak uygulanabilir bir nomogram geliştirmeyi amaçlamaktadır. Yöntemler: Bu kesitsel çalışma 251 PD hastasını analiz etti: 42'si normal bilişli, 160'ı hafif bilişsel bozukluklu (PD-MCI) ve 49'u demanslı (PDD). Lojistik ve doğrusal regresyon, IR endeksleri ile farklı alanlarda bilişsel bozukluk arasındaki ilişkileri inceledi. Demans sınıflandırması için altı makine öğrenme modeli karşılaştırıldı, bir nomogram oluşturmak için SHapley Additive exPlanations (SHAP) kullanılarak yorumlanan optimal model. Bulgular: TyG ve AIP'deki her standart sapma artışı, sırasıyla PDD riskinin sırasıyla %79 (OR 1.79, %95CI 1.04-3.07) ve %75 (OR 1.75, %95CI 1.05-2.91) ile bağlantılıydı, ancak PD-MCI değil. Buna karşılık, TyG-BMI ve METS-IR her iki durumda da önemli bir ilişki göstermedi. TyG, hafıza ve yönelim ile doğrusal negatif korelasyonlar gösterdi ve visuospatial fonksiyon ve dikkat ile ters U şeklindeki çağrışımlar gösterdi. AIP hafıza ile doğrusal negatif korelasyon gösterdi. Lojistik regresyon modeli, altı makine öğrenimi modeli arasında en yüksek performansı (AUC 0.759) elde etti. Önemli olarak, SHAP analizi görsel olarak TyG'yi en iyi değiştirilebilir bir tahminci olarak niceledi ve yorumlanabilir bir klinik nomogramın yapımını kolaylaştırdı. Sonuç: BMI'ya bağlı işaretleyicilerin (TyG-BMI, METS-IR) aksine, Glukolipotoksisite tabanlı indeksler (TyG, AIP), etki alanına özgü doğrusal veya doğrusal olmayan desenler yoluyla PD demans ile sağlam bir şekilde bağlantılıdır. Bu, metabolik disregülasyonun kilo kaybından bağımsız olarak riski öngördüğünü düşündürmektedir. Ayrıca, SHAP tabanlı yorumlanabilirliği entegre etmek, karmaşık algoritmaları erken risk katmanlaşması için şeffaf, eyleme geçirilebilir bir araca dönüştürür.
Özgün kaynak özetini okuyun
Background: Insulin resistance (IR) has emerged as a key player in the pathogenesis of cognitive impairment in Parkinson's disease (PD). This study aims to systematically compare glucolipotoxicity-based (TyG, AIP) versus adiposity-driven (TyG-BMI, METS-IR) IR indices for their associations with PD dementia and to develop a clinically applicable nomogram using an interpretable machine learning framework. Methods: This cross-sectional study analyzed 251 PD patients: 42 with normal cognition, 160 with mild cognitive impairment (PD-MCI) and 49 with dementia (PDD). Logistic and linear regression examined associations between IR indices and cognitive impairment across different domains. Six machine learning models were compared for dementia classification, with the optimal model interpreted using SHapley Additive exPlanations (SHAP) to construct a nomogram. Results: Each standard deviation increase in TyG and AIP was linked to 79% (OR 1.79, 95%CI 1.04-3.07) and 75% (OR 1.75, 95%CI 1.05-2.91) higher risk of PDD, respectively, but not PD-MCI. In contrast, TyG-BMI and METS-IR showed no significant associations with either condition. TyG showed linear negative correlations with memory and orientation, and inverted U-shaped associations with visuospatial function and attention. AIP exhibited linear negative correlation with memory. The logistic regression model achieved the highest performance (AUC of 0.759) among six machine learning models. Crucially, SHAP analysis visually quantified TyG as a top modifiable predictor, facilitating the construction of an interpretable clinical nomogram. Conclusions: Glucolipotoxicity-based indices (TyG, AIP), unlike BMI-dependent markers (TyG-BMI, METS-IR), are robustly linked to PD dementia through domain-specific linear or nonlinear patterns. This suggests metabolic dysregulation predicts risk independent of weight loss. Furthermore, integrating SHAP-based interpretability transforms complex algorithms into a transparent, actionable tool for early risk stratification.
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.