NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan Aşırı gündüz uykululuk (EDS), Parkinson hastalığında (PD) motor olmayan yaygın bir semptomdur. EDS riskini tahmin etmek erken müdahaleyi sağlar. Bu çalışma, PD.Methods'ta EDS tahmini için açıklanabilir bir makine öğrenme modelini geliştirmeyi ve harici olarak doğrulamayı amaçladıParkinson İlerleme İşaretçileri Girişimi'nden (PPMI) Hoehn ve Yahr (H&Y) evre 1 PD'li toplam 676 hasta retrospektif olarak gelişim kohortu olarak dahil edildi, rastgele eğitim ve dahili doğrulama setlerine ayrıldı (7: 3). Klinik merkezimizden 180 H&Y evre 1 hastadan oluşan harici bir doğrulama kohortu. En az mutlak büzülme ve seçim operatörü (LASSO) regresyonu ve Boruta özellik seçimi tahmin değişkenlerini tanımlamıştır. Dört makine öğrenimi modeli karşılaştırıldı ve en uygun model Shapley Additive exPlanations (SHAP) kullanılarak yorumlandı.SonuçlarBeş özellik seçildi: Geriatrik Depresyon Ölçeği (GDS), Devlet-Trait Anksiyete Endeksi (STAI), Parkinson Hastalığı-Otonomunda Sonuçlar Ölçeği (SCOPA), Birleşik Parkinson Hastalığı Değerlendirme Ölçeği I (UPDRS I) ve II (UPDRS II). Lojistik regresyon modeli, dahili doğrulama setinde 0.732 (95% CI: 0.641-0.823) ve harici doğrulama setinde 0.673 (95% CI: 0.552-0.793) alıcı işletim karakteristik eğrisinin (AUC) altında bir alanla en iyi performansı elde etti. SHAP analizinde önemli katkılar tespit edildi.ConclusionH&Y evre 1 PD'de EDS tahmini için açıklanabilir bir makine öğrenme modeli geliştirdik ve harici olarak doğruladık. Bu araç, bu alt gruptaki uyku problemlerinin erken risk tabakalaşmasını ve kişiselleştirilmiş yönetimini kolaylaştırabilir.
Özgün kaynak özetini okuyun
BackgroundExcessive daytime sleepiness (EDS) is a common non-motor symptom in Parkinson's disease (PD). Predicting EDS risk enables early intervention. This study aimed to develop and externally validate an explainable machine learning model for EDS prediction in PD.MethodsA total of 676 patients with Hoehn and Yahr (H&Y) stage 1 PD from the Parkinson's Progression Markers Initiative (PPMI) were retrospectively included as the development cohort, randomly split into training and internal validation sets (7:3). An external validation cohort comprised 180 H&Y stage 1 patients from our clinical center. Least absolute shrinkage and selection operator (LASSO) regression and Boruta feature selection identified predictive variables. Four machine learning models were compared, and the optimal model was interpreted using Shapley Additive exPlanations (SHAP).ResultsFive features were selected: Geriatric Depression Scale (GDS), State-Trait Anxiety Index (STAI), Scales for Outcomes in Parkinson's Disease-Autonomic (SCOPA), Unified Parkinson's Disease Rating Scale parts I (UPDRS I) and II (UPDRS II). The logistic regression model achieved the best performance, with an area under the receiver operating characteristic curve (AUC) of 0.732 (95% CI: 0.641-0.823) in the internal validation set and 0.673 (95% CI: 0.552-0.793) in the external validation set. SHAP analysis identified key contributors.ConclusionWe developed and externally validated an explainable machine learning model for EDS prediction in H&Y stage 1 PD. This tool may facilitate early risk stratification and personalized management of sleep problems in this subgroup.
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.