Machine learning for predicting cognitive decline within five years in Parkinson’s disease: Comparing cognitive assessment scales with DAT SPECT and clinical biomarkers
Notice bibliographique
Résumé
OBJECTIVE: Parkinson's disease (PD) is an age-related neurodegenerative condition characterized mostly by motor symptoms. Although a wide range of non-motor symptoms (NMS) are frequently experienced by PD patients. One of the important and common NMS is cognitive impairment, which is measured using different cognitive scales. Monitoring cognitive impairment and its decline in PD is essential for patient care and management. In this study, our goal is to identify the most effective cognitive scale in predicting cognitive decline over a 5-year timeframe initializing clinical biomarkers and DAT SPECT. METHODS: Machine Learning has previously shown superior performance in image and clinical data classification and detection. In this study, we propose to use machine learning with different types of data, such as DAT SPECT and clinical biomarkers, to predict PD-CD based on various cognitive scales. We collected 330 DAT SPECT images and their clinical data in baseline, years 2,3,4, and 5 from Parkinson's Progression Markers Initiative (PPMI). We then designed a 3D Autoencoder to extract deep radiomic features (DF) from DAT SPECT images, and we then concatenated it with 17 clinical features (CF) to predict cognitive decline based on Montreal Cognitive Assessment (MoCA) and The Movement Disorder Society-Unified Parkinson's Disease Rating Scale (MDS-UPDRS-I). RESULTS: The utilization of MoCA as a cognitive decline scale yielded better performance in various years compared to MDS-UPDRS-I. In year 4, the application of the deep radiomic feature resulted in the highest achievement, with a cross-validation AUC of 89.28, utilizing the gradient boosting classifier. For the MDS-UPDRS-I scale, the highest achievement was obtained by utilizing the deep radiomic feature, resulting in a cross-validation AUC of 81.34 with the random forest classifier. CONCLUSIONS: The study findings indicate that the MoCA scale may be a more effective predictor of cognitive decline within 5 years compared to MDS-UPDRS-I. Furthermore, deep radiomic features had better performance compared to sole clinical biomarkers or clinical and deep radiomic combined. These results suggest that using the MoCA score and deep radiomic features extracted from DAT SPECT could be a promising approach for identifying individuals at risk for cognitive decline in four years. Future research is needed to validate these findings and explore their utility in clinical practice.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».