Multi-predictor modeling for predicting early Parkinson’s disease and non-motor symptoms progression
Notice bibliographique
Résumé
Background Identifying individuals with high-risk Parkinson’s disease (PD) at earlier stages is an urgent priority to delay disease onset and progression. In the present study, we aimed to develop and validate clinical risk models using non-motor predictors to distinguish between early PD and healthy individuals. In addition, we constructed prognostic models for predicting the progression of non-motor symptoms [cognitive impairment, Rapid-eye-movement sleep Behavior Disorder (RBD), and depression] in de novo PD patients at 5 years of follow-up. Methods We retrieved the data from the Parkinson’s Progression Markers Initiative (PPMI) database. After a backward variable selection approach to identify predictors, logistic regression analyses were applied for diagnosis model construction, and cox proportional-hazards models were used to predict non-motor symptom progression. The predictive models were internally validated by correcting measures of predictive performance for “optimism” or overfitting with the bootstrap resampling approach. Results For constructing diagnostic models, the final model reached a high accuracy with an area under the curve (AUC) of 0.93 (95% CI: 0.91–0.96), which included eight variables (age, gender, family history, University of Pennsylvania Smell Inventory Test score, Montreal Cognitive Assessment score, RBD Screening Questionnaire score, levels of cerebrospinal fluid α-synuclein, and SNCA rs356181 polymorphism). For the construction of prognostic models, our results showed that the AUC of the three prognostic models improved slightly with increasing follow-up time. The overall AUCs fluctuated around 0.70. The model validation established good discrimination and calibration for predicting PD onset and progression of non-motor symptoms. Conclusion The findings of our study facilitate predicting the individual risk at an early stage based on the predictors derived from these models. These predictive models provide relatively reliable information to prevent PD onset and progression. However, future validation analysis is still needed to clarify these findings and provide more insight into the predictive models over more extended periods of disease progression in more diverse samples.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».