NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında (PD) ileri evreye sahip hastaları tanımlamak, zamanında terapötik müdahale için çok önemlidir, ancak mevcut araçlar öznel klinik ölçeklere veya pahalı biyobelirteçlere dayanır. Makine öğrenme algoritmaları tarafından seçilen rutin kan biyobelirteçlerine dayanan bir tahmin modeli geliştirmeyi ve doğrulamayı amaçladık. MetodlarBir keşif kohortunda 536 PD hastadan ve bağımsız bir dış doğrulama kohortunda 80 hastadan gelen verileri retrospektif olarak analiz ettik. Hastalar Hoehn ve Yahr evreleme ölçeğine göre erken veya ileri evreye sahip olarak sınıflandırıldı. LASSO ve Random Forest (RF) algoritmaları, demografik ve rutin kan değişkenlerinden tahmincileri taramak için kullanıldı. Seçilen özellikler, öngörüsel bir model oluşturmak için çok değişkenli bir lojistik regresyon modeline entegre edildi. Model performansı, AUC, kalibrasyon eğrileri ve karar eğrisi analizi (DCA) kullanılarak değerlendirildi.ResultsToplam bilirubin (TB), dolaylı bilirubin (IBIL), albumin (ALB), kolinesteraz (ChE), laktat dehidrojenaz (LDH) ve kreatin kinaz (CK), LASSO ve RF algoritmalarına dayanan bağımsız öngörücüler olarak tanımlandı. Öngörülen model, keşif kohortunda (AUC = 0.873) mükemmel ayrımcı yetenek gösterdi ve dış doğrulama kohortunda (AUC = 0.736) sağlam bir performans sürdürdü. Kalibrasyon eğrisi, öngörülen olasılıklar ve gözlemlenen sonuçlar arasında iyi bir anlaşma gösterdi. DCA, modelin geniş bir eşik olasılığı aralığındaki klinik net faydasını doğruladı. Özellikle, ileri evre hastalar TB, IBIL, ALB ve ChE'nin önemli ölçüde daha yüksek seviyelerini sergilediler, ancak erken evre hastalara kıyasla LDH'nin daha düşük seviyeleri sergilediler.ConclusionGelişmiş PD'yi tanımlamak için altı kan biyobelirtecisini kullanarak güvenilir, non-invaziv ve ekonomik olarak verimli bir tahmin modeli kurduk.
Özgün kaynak özetini okuyun
BackgroundIdentifying patients with advanced stage in Parkinson's disease (PD) is crucial for timely therapeutic intervention, yet current tools rely on subjective clinical scales or expensive biomarkers. We aimed to develop and validate a predictive model based on routine blood biomarkers selected by machine learning algorithms.MethodsWe retrospectively analyzed data from 536 PD patients in a discovery cohort and 80 patients in an independent external validation cohort. Patients were classified as having early or advanced stage based on Hoehn and Yahr staging scale. LASSO and Random Forest (RF) algorithms were employed to screen predictors from demographic and routine blood variables. Selected features were integrated into a multivariable logistic regression model to construct a predictive model. Model performance was evaluated using the AUC, calibration curves, and decision curve analysis (DCA).ResultsSix biomarkers including total bilirubin (TB), indirect bilirubin (IBIL), albumin (ALB), cholinesterase (ChE), lactate dehydrogenase (LDH), and creatine kinase (CK), were identified as independent predictors based on LASSO and RF algorithms. The predictive model demonstrated excellent discriminative ability in the discovery cohort (AUC = 0.873) and maintained robust performance in the external validation cohort (AUC = 0.736). Calibration curve showed good agreement between predicted probabilities and observed outcomes. DCA confirmed the clinical net benefit of the model across a wide range of threshold probabilities. Notably, advanced-stage patients exhibited significantly higher levels of TB, IBIL, ALB, and ChE, but lower levels of LDH compared to early-stage patients.ConclusionWe established a reliable, non-invasive, and economically efficient predictive model using six blood biomarkers to identify advanced PD.
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.