An application of weighted support vector machines to individualized second-line therapy selection after levodopa in Parkinson's disease.

Araştırma özeti

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

Parkinson hastalığı (PD), hastalar arasında geniş ölçüde değişen tedavi yanıtları ile motor semptomlarla karakterize olan ilerici bir nörolojik bozukluktur. Bireyselleştirilmiş tedavi stratejileri için artan ihtiyacı gidermek için, bu makale, ağırlıklı destek vektör makineleri (SVM'ler) kullanarak optimal bireyselleştirilmiş tedavi stratejileri oluşturmak için pratik bir çerçeve sunmaktadır. Hastaların klinik profillerinin ve demografilerinin bir fonksiyonu olarak iki yöntem kullanarak optimal bir kural oluşturuyoruz: Ölçülmemiş karıştırıcılar kabul etmeyen Sonuç Ağırlıklı Öğrenme (OWL), ve potansiyel ölçülmemiş karıştırıcıları açıklayan Enstrümantal Değişken Sonuç Ağırlıklı Öğrenme (IV-OWL). Bu yöntemlerin uygulanmasını örneklemek için, NET-PD LS1 ve PRECEPT/POSTCEPT çalışmalarından gelen uyumlu ve kürlenmiş klinik verileri, hasta özelliklerine dayalı monoamin oksidaz B (MAO-B) inhibitörleri veya dopamin reseptör agonistleri (DRA) ile levodopa takviyesi için en uygun ikinci basamak terapi karar kuralını tahmin etmek için kullanırız. Örneksel bir uygulama olarak, ikinci basamak tedavisini 90 ve 180 gün içinde başlatan iki hasta kohortunu, sırasıyla 84 ve 121 örneklem boyutlarıyla analiz ettik. Tahmini iyileştirmeler istatistiksel olarak anlamlı olmasa da, muhtemelen küçük örneklem boyutları nedeniyle, öğrenilen IV-OWL kuralı, gözlemlenen tedavi stratejisi ve diğer statik tedavi stratejileri ile karşılaştırıldığında yıllık UPDRS III değişiminde iyileşme gösterdi. Bu vaka çalışması, ağırlıklandırılmış destek vektör makinelerinin PD'deki bireyselleştirilmiş ikinci hat terapi seçimine uygulanmasının fizibilitesini gösterir ve ölçülememiş karıştırıcıların ele alınmasında enstrümantal değişken tabanlı yöntemlerin potansiyel değerini gösterir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a progressive neurological disorder characterized by motor symptoms, with treatment responses varying widely across patients. To address the growing need for individualized treatment strategies, this paper introduces a practical framework for constructing optimal individualized treatment strategies using weighted support vector machines (SVMs). We construct an optimal rule as a function of patients' clinical profiles and demographics using two methods: Outcome-Weighted Learning (OWL), which assumes no unmeasured confounders, and Instrumental Variable Outcome-Weighted Learning (IV-OWL), which accounts for potential unmeasured confounders. To illustrate the application of these methods, we use harmonized and curated clinical data from the NET-PD LS1 and PRECEPT/POSTCEPT studies to estimate the optimal second-line therapy decision rule for supplementing levodopa with either monoamine oxidase B (MAO-B) inhibitors or dopamine receptor agonists (DRA) based on patient characteristics. As an illustrative application, we analyzed two cohorts of patients who initiated second-line therapy within 90 and 180 days of baseline, with sample sizes of 84 and 121, respectively. Although the estimated improvements were not statistically significant, likely due in part to the small sample sizes, the learned IV-OWL rule showed improvement in annualized UPDRS III change compared with the observed treatment strategy and other static treatment strategies. This case study demonstrates the feasibility of applying weighted support vector machines to individualized second-line therapy selection in PD and illustrates the potential value of instrumental variable-based methods in addressing unmeasured confounders.

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.