机器学习方法用于检测和预测帕金森病的认知障碍:系统性审查和元分析

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 帕金森病的认知障碍 (PD-CI) 是一个常见的,使人虚弱的非运动症状.
• 目前PD-CI的诊断工具有限,预测能力稀缺.
• 机器学习 (ML) 为改善PD-CI诊断和风险预测提供了潜力.

研究的目的:

• 系统地审查和元分析用于PD-CI诊断和风险预测的ML方法的有效性和准确性.
• 用各种数据类型评估ML模型的性能.

主要方法:

• 在主要数据库 (Web of Science,PubMed,Embase,Cochrane Library) 进行了全面的文献搜索,截至2025年8月10日.
• 使用PROBAST工具进行了质量评估.
• 包括52个出版物,其中25个用于诊断,27个用于风险预测.

主要成果:

• 对于PD-CI诊断的ML模型在验证队列中实现了0.82的c指数 (灵敏度0.57,特异性0.77).
• 用于PD-CI风险预测的ML模型实现了0.83的c指数 (灵敏度0.77,特异性0.76).
• 模型利用临床数据,遗传学,生物标志物,神经成像和放射学,没有检测到过拟合.

结论:

• ML在PD-CI诊断和风险预测方面都表现出相当的准确性.
• 这项研究为开发PD-CI的先进ML驱动的诊断和预测工具提供了证据基础.
• 这些发现支持ML在帕金森病研究中的进步和应用.