0714 Machine learning model for Predicting phenoconversion in patients with Rem behavior disorder using clinical markers
Notice bibliographique
Résumé
Abstract Introduction Idiopathic Rapid eye movement (REM) sleep behavior disorder is a condition that can be an early sign of alpha-synuclein-mediated neurodegenerative diseases, and the course of the disease can vary greatly from patient to patient. It is important to identify patients who are at risk of developing neurodegenerative diseases in the future for the purpose of future clinical trials and for patients to plan their lives accordingly. Previous research has identified various risk factors for phenoconversion in RBD patients, but these studies are not practical for use in clinical settings due to resource availability or the rarity of certain features. Additionally, most of these studies have been conducted on non-Asian populations, which may have different genetic backgrounds than Asian populations. This study aimed to develop a machine learning model to predict survival in RBD patients using clinical features commonly available in routine clinical settings. Methods This study recruited patients diagnosed with RBD based on polysomnography results and collected 34 features for each patient. Missing data were imputed and various models were applied to the data to improve performance. The model's predictive performance was evaluated using an integrated Brier score and the concordance index. Mean performance indicators were calculated from 5-fold cross-validation results. A web application hosting the final prediction model was developed and deployed on a server for use by physicians or patients. Results 173 patients were included in the study. We used the likelihood ratio test to calculate the p-values of all variables and selected the following 8 variables with p-values less than 0.1: UPDRS part III, age, history of antidepressant use, history of alcohol use, MoCA (Montreal Cognitive Assessment), PSQI-TST (Pittsburgh Sleep Quality Index - total sleep time), AHI-REM (apnea-hypopnea index - REM sleep), and education level. The random survival forest model had the best mean IBS of 0.07 and the best C-index of 0.93 Conclusion We showed that it is possible for a machine learning model to predict phenoconversion in patients with RBD using features that are commonly available in routine clinical settings Support (if any)
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 | 0,001 | 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 ».