一个基于脑脊液生物标志物的轻量级模型用于对帕金森病的初诊预测:模型开发,外部验证和本地部署

科学领域:

• 神经学 神经学
• 生物标志物研究 生物标志物研究
• 机器学习 机器学习

背景情况:

• 帕金森病 (PD) 诊断缺乏可靠,可访问的早期测试,特别是在资源有限的地区.
• 目前的诊断方法在广泛验证和部署早期检测方面面临挑战.

研究的目的:

• 开发和验证一种轻量级的机器学习模型,用于预测PD的首次诊断.
• 为了利用基线脑脊液 (CSF) 生物标志物用于早期发现PD.

主要方法:

• 在CSF数据上训练并比较了5个机器学习分类器 (L2-LR,RF,HistGB,SVM-RBF,MLP) 来自665名参与者的CSF数据 (PD,控制,SWEDD).
• 针对五个核心的CSF生物标志物进行特征选择:Aβ42,α-synuclein,总tau,化tau181和血红蛋白.
• 使用AUC,PR-AUC和Brier分数评估模型性能,然后进行同位素校准和外部验证.

主要成果:

• 一个轻量级的,基于生物标志物的随机森林 (RF) 模型在区分早期PD病例方面表现出有效性.
• 该模型成功地利用了一组有限的基线CSF生物标志物进行预测.
• 该模型可以通过Streamlit在线部署,为资源有限的设置提供了一个实用的解决方案.

结论:

• 基于生物标志物的随机森林模型为早期帕金森病诊断提供了一种有效的方法.
• 该模型的轻量级性质和离线部署能力使其适用于资源有限的环境.
• 这种方法弥合了计算预测和神经病学的实际临床应用之间的差距.