在帕金森病中轻度认知障碍的基于机器学习的分层:多中心横截面分析

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物统计学 生物统计学

背景情况:

• 认知障碍是帕金森病 (PD) 的重要非运动症状,影响生活质量和增加死亡率.
• 早期识别PD中轻度认知障碍 (PD-MCI) 对于及时干预和管理至关重要.
• 当前的诊断途径可能无法有效地识别所有患有PD-MCI的个体.

研究的目的:

• 开发和外部验证用于估计PD-MCI的概率的机器学习模型.
• 为了利用常规收集的临床变量进行PD-MCI风险分层.
• 为了使临床医生能够优先考虑患者,特别是那些MoCA得分正常的患者,进行进一步的神经心理评估.

主要方法:

• 来自帕金森病进展标记计划 (PPMI) 的799名参与者的分析,用于培训和内部验证.
• 外部验证使用连续70名患者的队列.
• 使用LASSO,SMOTE检测类不平衡的预测因素的选,并对五种机器学习模型 (LR,SVM,XGBoost,NN,LightGBM) 的评估.
• 模型性能通过AUC,校准和DCA进行评估;可通过名图和SHAP进行解释.

主要成果:

• 后勤回归 (LR) 模型表现出强大的性能,AUC为0.789 (训练),0.778 (内部) 和0.772 (外部).
• 确定的主要预测因素包括教育,发病年龄,运动严重程度,性别,抑郁负担 (GDS) 和低血压 (UPSIT).
• 该工具以名录和网络计算器的形式实现,支持PD-MCI的灵敏度导向分类.

结论:

• 使用常规临床数据开发了一种基于概率的PD-MCI风险分层工具.
• 该工具有助于识别需要进一步评估的个人,特别是那些MoCA分数正常的人.
• 这种风险分层工具补充了诊断评估,并促进了更密切的患者随访.