Aprendizaje automático interpretable para la predicción cruzada de las fluctuaciones motoras en la enfermedad de...

Área de la Ciencia:

• Neurología
• Estadísticas biológicas
• Inteligencia artificial

Sus antecedentes:

• Las fluctuaciones motoras son una complicación significativa en la enfermedad de Parkinson avanzada (EP), que afecta a la calidad de vida del paciente.
• La identificación de los factores de riesgo y de protección es crucial para mejorar las estrategias de gestión de la enfermedad.

Objetivo del estudio:

• Identificar los factores pronósticos clave para las fluctuaciones motoras en la enfermedad de Parkinson (EP) utilizando el aprendizaje automático.
• Explorar las asociaciones de estos factores con la literatura existente.

Principales métodos:

• Aprendizaje automático interpretable aplicado para el análisis de tiempo a evento y la predicción de fluctuaciones motoras dentro de los 4 años.
• Se utilizaron tres cohortes longitudinales de EP y modelos pronósticos validados cruzados.
• Evaluación del rendimiento, la estabilidad, la calibración y la utilidad del modelo para la toma de decisiones clínicas.

Principales resultados:

• Los modelos de aprendizaje automático identificaron efectivamente predictores de línea de base significativos de las fluctuaciones motoras.
• Los factores positivamente correlacionados con las fluctuaciones motoras incluyen las partes I y II de la Escala de Calificación de la Enfermedad de Parkinson Unificada de la Sociedad de Trastornos del Movimiento (MDS-UPDRS), el congelamiento de la marcha, los síntomas axiales, la rigidez y las variantes GBA / LRRK2.
• Los temblores y la edad tardía de aparición se asociaron inversamente con las fluctuaciones motoras. La integración de datos de cohorte cruzada mejoró la estabilidad y la robustez de las predicciones.

Conclusiones:

• Los modelos de aprendizaje automático interpretables predicen con precisión las fluctuaciones motoras de la enfermedad de Parkinson a partir de los datos clínicos de referencia.
• La integración de datos de cohorte cruzada mejora la estabilidad del predictor y la robustez del modelo.
• La calibración del modelo y los análisis de la curva de decisión confirman la utilidad clínica práctica y la fiabilidad.