帕金森病中轻度认知障碍的诊断分类使用主体级分层机器学习分析

科学领域:

• 神经学 神经学
• 计算神经科学是一种神经科学.
• 老年医学 老年医学

背景情况:

• 在帕金森病 (PD) 中及时识别轻度认知障碍 (MCI) 对有效干预至关重要.
• 使用标准临床数据区分患有MCI的PD (PD-MCI) 和认知正常的PD (PD-NC) 是一个重大挑战.

研究的目的:

• 开发和验证机器学习 (ML) 模型,使用例行收集的临床特征对PD-MCI进行分类.
• 评估不同ML算法的性能,并确定PD-MCI检测的关键预测因素.

主要方法:

• 分析了来自896名帕金森病进展标志物倡议 (PPMI) 队列参与者的3,154次临床访问.
• 使用LASSO逻辑回归的特征选择确定了年龄,性别,教育,疾病持续时间,UPDRS-I,UPDRS-III和GDS.
• 四个ML模型 (LR,SVM,RF,XGBoost) 被训练并使用主体级分层10倍交叉验证与贝叶斯优化进行评估.

主要成果:

• 支持矢量机 (SVM) 实现了最高的整体性能 (AUC-ROC:0.7252).
• 随机森林 (RF) 显示出更高的灵敏度 (0.8150).
• 年龄,教育年限和疾病持续时间始终被确定为PD-MCI最重要的预测因素.

结论:

• 强大的ML模型可以有效地使用标准临床评估来分类PD-MCI.
• 这些数据驱动的,可解释的模型显示了提高PD护理中早期认知障碍查的前景.
• 严格的验证策略最大限度地减少了过度装配,并确保了可靠的模型评估.