A multimodal machine learning model for predicting postoperative worsening of FOGQ in Parkinson's disease following STN-DBS.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

ObjectiveParkinson hastalığı (PD) subtalamik çekirdek derin beyin stimülasyonu (STN-DBS) geçiren hastalarda postoperatif yürüyüş anketi (FOGQ) skorlarının dondurulmasının kötüleşmesini öngörmek için multimodal bir makine öğrenme modeli geliştirmek ve doğrulamak.MetodlarBu retrospektif çalışma, ikili STN-DBS geçiren PD'li 134 hastadan elde edilen verileri analiz etti. Model, dört veri modalitesini entegre etti: klinik ölçek değerlendirmeleri, voksel tabanlı morfometriden (VBM) elde edilen yapısal nörogörüntüleme özellikleri, Kurşun-DBS analizi yoluyla stereotaktik elektrot lokalizasyon verileri ve ameliyat öncesi MR'dan çıkarılan radyomik özellikler. Standardizasyonun ardından, en alakalı tahmincileri tanımlamak için LASSO, Boruta ve tekrarlayıcı özellik eliminasyonu çapraz doğrulama (RFECV) yöntemleri kullanılarak özellik seçimi yapıldı. Birden fazla makine öğrenme algoritması değerlendirildi. Model geliştirme ve dahili doğrulama, 5 katlı iç içe geçmiş çapraz doğrulama çerçevesi kullanılarak gerçekleştirildi. Model performansı ROC eğrileri, kalibrasyon eğrileri ve karar eğrisi analizi kullanılarak değerlendirildi ve model yorumlanabilirliği SHAP değerleri kullanılarak analiz edildi.SonuçlarIşıkGBM modeli, FOGQ bozulmasını tahmin etmek için 0.917'nin en yüksek AUC'sini elde etti. Analiz, klinik, yapısal ve radyomik özellikleri birleştirerek, tahmin doğruluğunu artırmak için multimodal veri entegrasyonunun önemini vurguladı.ConclusionBu multimodal LightGBM modeli, STN-DBS geçiren PD hastalarında ameliyat sonrası FOGQ bozulması olan ve olmayan hastalar arasında güçlü bir ayrım sağladı ve klinik, yapısal ve radyomik özelliklerin preoperatif risk tabakalaması için entegre edilmesinin değerini vurguladı. Bu bulgular, kişiselleştirilmiş hasta seçimini, yüksek riskli bireylerin erken teşhisini ve tedavi planlamasını bilgilendirebilir, ancak prospektif çok merkezli kohortlarda dış doğrulama gerekli bir sonraki adım olarak kalır.

Özgün kaynak özetini okuyun

ObjectiveTo develop and validate a multimodal machine learning model to predict postoperative worsening of freezing of gait questionnaire (FOGQ) scores in patients with Parkinson's disease (PD) undergoing subthalamic nucleus deep brain stimulation (STN-DBS).MethodsThis retrospective study analyzed data from 134 patients with PD who underwent bilateral STN-DBS. The model integrated four data modalities: clinical scale assessments, structural neuroimaging features derived from voxel-based morphometry (VBM), stereotactic electrode localization data via Lead-DBS analysis, and radiomics features extracted from preoperative MRI. Following standardization, feature selection was conducted using LASSO, Boruta and recursive feature elimination with cross-validation (RFECV) methods to identify the most relevant predictors. Multiple machine learning algorithms were evaluated. Model development and internal validation were conducted using a 5-fold nested cross-validation framework. Model performance was assessed using ROC curves, calibration curves, and decision curve analysis, and model interpretability was analyzed using SHAP values.ResultsThe LightGBM model achieved the highest AUC of 0.917 for predicting FOGQ deterioration. The analysis emphasized the importance of multimodal data integration, combining clinical, structural, and radiomic features to enhance predictive accuracy.ConclusionThis multimodal LightGBM model achieved robust discrimination between patients with and without postoperative FOGQ deterioration, highlighting the value of integrating clinical, structural, and radiomic features for preoperative risk stratification in PD patients undergoing STN-DBS. These findings may inform personalized patient selection, early identification of high-risk individuals, and treatment planning, though external validation in prospective multicenter cohorts remains a necessary next step.

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.