基于机器学习的预测,在早期帕金森病的纵向认知衰退使用多式联络功能

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 认知能力下降是帕金森病 (PD) 的常见和衰弱的症状.
• 早期预测认知能力下降对于及时有效的患者管理至关重要.
• 现有的预测模型可能无法完全捕捉PD认知变化的复杂性.

研究的目的:

• 开发和验证一种多式机器学习模型,用于预测早期帕金森病的持续认知衰退.
• 从临床,脑脊液 (CSF),脑成像和遗传数据中识别关键预测特征.
• 评估不同特征组合的性能,以提高预测准确度.

主要方法:

• 利用了来自帕金森病进展标记计划 (PPMI) 数据库的213名早期PD患者的数据.
• 采用机器学习,特别是支持RReliefF特征排名和十倍交叉验证的矢量回归,以预测蒙特利尔认知评估 (MoCA) 4年内得分的变化.
• 比较模型包括人口统计,基线认知,临床分数,CSF生物标志物,大脑体积和遗传变异.

主要成果:

• 最佳预测模型结合了基线人口统计数据,临床测试得分和CSF生物标志物.
• 这种最佳模型确定了12个关键特征,包括基线认知,中枢神经液酸化,中枢神经液总,中枢神经液粉样蛋白-β ((1-42),老年抑郁量表 (GDS) 评分和焦虑评分.
• 以前与阿尔茨海默病相关的特征是显著的预测因素,突出了共享的病理机制.

结论:

• 一种多式机器学习方法有效地预测了早期帕金森病的认知衰退.
• 脑脊液生物标志物和临床评估对于准确预测PD认知衰退至关重要.
• 预测特征与阿尔茨海默病的重叠强调了研究PD患者共存病理的必要性.