机器学习预测了帕金森病患者在多中心观测研究中的跌倒风险

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:

• 帕金森病 (PD) 的特点是姿势不稳定和步行困难,显著增加跌倒风险.
• 跌倒影响了很大一部分PD患者 (35-90%),这构成了管理的重大挑战.
• 准确的跌倒风险预测和贡献因素的识别对于及时干预至关重要.

研究的目的:

• 开发和验证用于预测PD患者跌倒风险的机器学习 (ML) 算法.
• 使用例行收集的临床数据,识别与跌倒风险相关的因素.
• 评估该算法在多个意大利临床中心的性能.

主要方法:

• 利用来自意大利两个中心 (N=251) 的患者数据进行培训 (N=164) 和内部验证 (N=87).
• 在帕金森病进展标记计划 (PPMI) 研究患者的一个子集上进行了外部验证 (N=65).
• 比较后勤回归 (LR) 和支向量分类器 (SVC) 模型,使用Shapley添加式扩展 (SHAP) 对变量重要性.

主要成果:

• 在训练组中,支持向量分类器 (SVC) 在逻辑回归 (LR) 上略有优势 (AUC:SVC=0.792,LR=0.779).
• 后勤回归 (LR) 在内部 (AUC:LR=0.753,SVC=0.733) 和外部验证队列 (AUC:LR=0.714,SVC=0.676) 中都显示出更高的预测准确度.
• 对LR模型的Shapley添加式解释 (SHAP) 分析确定了与跌倒风险相关的运动和非运动变量.

结论:

• 机器学习模型有效地估计了在不同临床环境中的跌倒风险,促进了个性化干预.
• 这些模型可以提高帕金森病患者的生活质量.
• 由于人口统计和医疗保健系统的变化,预测美国人口的下降带来了挑战.