预测未来的帕金森病使用血蛋白与临床人口统计测量相结合
Jia You1, Linbo Wang1, Yujia Wang1
1From the Institute of Science and Technology for Brain-Inspired Intelligence (J. You, L.W., Y.W., J.K., W.C., J.F.), and Department of Neurology (J. Yu), Huashan Hospital, Fudan University; Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence (Fudan University) (W.C., J.F.), Ministry of Education, Shanghai; Fudan ISTBI-ZJNU Algorithm Centre for Brain-inspired Intelligence (W.C., J.F.), Zhejiang Normal University; Shanghai Medical College and Zhongshan Hospital Immunotherapy Technology Transfer Center (W.C.); Zhangjiang Fudan International Innovation Center (J.F.); and School of Data Science (J.F.), Fudan University, Shanghai, China.
在诊断前几年预测帕金森病 (PD) 风险是可能的,使用结合血蛋白和临床数据的机器学习模型. 这种方法可以识别高风险个体进行早期干预,改进神经保护策略.
科学领域:
- 神经科学是一个神经科学.
- 生物标志物发现发现
- 计算生物学 计算生物学
背景情况:
- 早期识别患有帕金森病 (PD) 高风险的个体对于开发预防性治疗至关重要.
- 当前的诊断方法通常在发生显著的神经退行后确定PD.
研究的目的:
- 开发和验证帕金森病 (PD) 风险的预测模型.
- 将血蛋白生物标志物与临床人口统计数据相结合,以提高预测准确度.
主要方法:
- 利用英国生物库 (UKB) 的纵向数据,包括1463个血蛋白和93个临床人口统计变量.
- 采用机器学习 (光梯度增强机 - LightGBM) 进行预测器选择和模型开发.
- 外部验证了使用帕金森氏症进展标志物倡议 (PPMI) 队列的预测模型.
主要成果:
- 一个整合22个血蛋白和临床人口统计变量的预测模型实现了0.832.83的AUC.
- 关键预测因素包括年龄,教育,创伤性脑损伤史,血清肌素和11种特定的血蛋白.
- 在PPMI队列中的外部验证产生了0.810的AUC,证实了模型可靠性.
- 在PD诊断前几年,可以检测到预测性改变.
结论:
- 结合血蛋白和临床人口统计数据的机器学习模型显示,在一般人群中识别患PD高风险的个体是有希望的.
- 为了确认可通用性,需要在不同种群中进一步验证.
- 早期风险识别有助于及时进行干预,以可能延迟或预防神经退行.
相关概念视频
Parkinson's Disease: Overview
Parkinson's Disease: Treatment
Parkinson's Disease is primarily a result of the loss of dopaminergic neurons in the substantia nigra pars compacta. The cornerstone of...
Neural Regulation
EPS and iPS Cells in Disease Research


