Machine learning-based prediction of longitudinal cognitive decline in early Parkinson’s disease using multimodal features
Notice bibliographique
Résumé
Abstract Patients with Parkinson’s Disease (PD) often suffer from cognitive decline. Accurate prediction of cognitive decline is essential for early treatment of at-risk patients. The aim of this study was to develop and evaluate a multimodal machine learning model for the prediction of continuous cognitive decline in patients with early PD. We included 213 PD patients from the Parkinson’s Progression Markers Initiative (PPMI) database. Machine learning was used to predict change in Montreal Cognitive Assessment (MoCA) score using the difference between baseline and 4-years follow-up data as outcome. Input features were categorized into four sets: clinical test scores, cerebrospinal fluid (CSF) biomarkers, brain volumes, and genetic variants. All combinations of input feature sets were added to a basic model, which consisted of demographics and baseline cognition. An iterative scheme using RReliefF-based feature ranking and support vector regression in combination with tenfold cross validation was used to determine the optimal number of predictive features and to evaluate model performance for each combination of input feature sets. Our best performing model consisted of a combination of the basic model, clinical test scores and CSF-based biomarkers. This model had 12 features, which included baseline cognition, CSF phosphorylated tau, CSF total tau, CSF amyloid-beta1-42, geriatric depression scale (GDS) scores, and anxiety scores. Interestingly, many of the predictive features in our model have previously been associated with Alzheimer’s disease, showing the importance of assessing Alzheimer’s disease pathology in patients with Parkinson’s disease.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».