Increasing Sensitivity in Patient‐Reported <scp>MDS</scp>‐<scp>UPDRS</scp> Items for Predicting Medication Initiation in Early <scp>PD</scp>
Notice bibliographique
Résumé
BACKGROUND: The MDS-UPDRS Parts IB and II are self-reported items providing a direct patient voice to the experiences of PD. OBJECTIVE: To determine the most sensitive combination of MDS-UPDRS Parts IB and II items that accurately predicted the clinically relevant target of dopaminergic therapy initiation. METHODS: Utilizing a longitudinal cohort of de novo non-treated PD patients, we applied item response theory (IRT) and survival analysis to assess the relationship between baseline patient-reported symptoms and the later initiation of dopaminergic therapy. The 20 MDS-UPDRS Parts IB and II items were analyzed for their relationship to PD severity (discrimination) and the amount of information they provided in this determination (information). These parameters were used to develop models of predictive accuracy for initiation of dopaminergic therapy. RESULTS: A six-item version showed a significantly higher C-index as compared to the full 20 item model (P = 0.001). This shortened version of the MDS-UPDRS contained only Part II items and provided a predictive accuracy for initiation of dopaminergic therapy better than the total combined scale score or any other combination. CONCLUSIONS: A six-item "Baseline Outcome Voice" version of patient-reported MDS-UPDRS items significantly increases the sensitivity of predicting the key future clinical outcome of starting dopaminergic treatment in early PD. This study also demonstrates how IRT modeling can provide information useful to refining existing measures to identify the most sensitive combination of items honoring the voice of the patient in determining key clinically pertinent decisions. Further research is needed to validate these findings in underrepresented populations.
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 | 0,006 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 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 ».