机器学习模型用于预测勒沃多巴剂后急性正静性低血压

科学领域:

• 神经学 神经学
• 心脏病学 心脏病学
• 药理学 药理学是指药理学的学科.

背景情况:

• 利沃多巴是帕金森病 (PD) 的首要治疗方法.
• 利沃多巴可以诱导正静性低血压 (OH),这是一个影响患者生活质量的显著副作用.
• 精确预测急性高血压后的Levodopa (AOHPL) 对于优化PD管理至关重要.

研究的目的:

• 在帕金森病 (PD) 患者中开发和验证急性正静性低血压后列沃多巴 (AOHPL) 的预测模型.
• 确定与AOHPL发展相关的关键临床因素.
• 为医生提供一种工具,以识别患有AOHPL风险较高的PD患者.

主要方法:

• 分析了497名PD住院患者的队列,这些患者接受了Levodopa挑战测试 (LCT) 和仰卧至站立测试 (STS).
• 患者被分为AOHPL和非AOHPL组.
• 在80%的数据上训练了一种随机森林模型,并在20%的数据上使用leave-one-out交叉验证和独立测试集进行验证. 为了解释性,使用了沙普利添加式解释 (SHAP).

主要成果:

• 随机森林模型在交叉验证中实现了AUC_ROC为0.776,准确度为73.6%,灵敏度为71.6%,特异性为75.7%.
• 该模型在独立测试数据上显示了72%的预测准确度.
• 在药物治疗之前,在STS期间最大的静缩和静缩血压下降 (ΔSBP/ΔDBP) 是AOHPL最重要的预测因素.

结论:

• 一个经过验证的分类器可以预测早期的PD患者的AOHPL.
• 该工具支持合理使用利沃多巴的临床决策.
• 早期预测AOHPL可能会改善PD患者的生活质量.