Motor Progression in Early-Stage Parkinson's Disease: A Clinical Prediction Model and the Role of Cerebrospinal Fluid Biomarkers
Notice bibliographique
Résumé
Background: The substantial heterogeneity of clinical symptoms and lack of reliable progression markers in Parkinson's disease (PD) present a major challenge in predicting accurate progression and prognoses. Increasing evidence indicates that each component of the neurovascular unit (NVU) and blood-brain barrier (BBB) disruption may take part in many neurodegenerative diseases. Since some portions of CSF are eliminated along the neurovascular unit and across the BBB, disturbing the pathways may result in changes of these substances. Methods: Four hundred seventy-four participants from the Parkinson's Progression Markers Initiative (PPMI) study (NCT01141023) were included in the study. Thirty-six initial features, including general information, brief clinical characteristics and the current year's classical scale scores, were used to build five regression models to predict PD motor progression represented by the coming year's Unified Parkinson's Disease Rating Scale (MDS-UPDRS) Part III score after redundancy removal and recursive feature elimination (RFE)-based feature selection. Then, a threshold range was added to the predicted value for more convenient model application. Finally, we evaluated the CSF and blood biomarkers' influence on the disease progression model. Results: Eight hundred forty-nine cases were included in the study. The adjusted R 2 values of three different categories of regression model, linear, Bayesian and ensemble, all reached 0.75. Models of the same category shared similar feature combinations. The common features selected among the categories were the MDS-UPDRS Part III score, Montreal Cognitive Assessment (MOCA) and Rapid Eye Movement Sleep Behavior Disorder Questionnaire (RBDSQ) score. It can be seen more intuitively that the model can achieve certain prediction effect through threshold range. Biomarkers had no significant impact on the progression model within the data in the study. Conclusions: By using machine learning and routinely gathered assessments from the current year, we developed multiple dynamic models to predict the following year's motor progression in the early stage of PD. These methods will allow clinicians to tailor medical management to the individual and identify at-risk patients for future clinical trials examining disease-modifying therapies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».