Predicting Phenoconversion in Isolated RBD: Machine Learning and Explainable AI Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Isolated rapid eye movement (REM) sleep behavior disorder (iRBD) is recognized as a precursor to neurodegenerative diseases. This study aimed to develop predictive models for the timing and subtype of phenoconversion in iRBD. We analyzed comprehensive clinical data from 178 individuals with iRBD over a median follow-up of 3.6 years and applied machine learning models to predict when phenoconversion would occur and whether progression would present with motor- or cognition-first symptoms. During follow-up, 30 patients developed a neurodegenerative disorder, and the extreme gradient boosting survival embeddings-Kaplan neighbors (XGBSE-KN) model demonstrated the best performance for timing (concordance index: 0.823; integrated Brier score: 0.123). Age, antidepressant use, and Movement Disorder Society-Unified Parkinson's Disease Rating Scale Part III scores correlated with higher phenoconversion risk, while coffee consumption was protective. For subtype classification, the RandomForestClassifier achieved the highest performance (Matthews correlation coefficient: 0.697), indicating that higher Montreal Cognitive Assessment scores and younger age predicted motor-first progression, whereas longer total sleep time was associated with cognition-first outcomes. These findings highlight the utility of machine learning in guiding prognosis and tailored interventions for iRBD. Future research should include additional biomarkers, extend follow-up, and validate these models in external cohorts to ensure generalizability.
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.
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 | 0,000 | 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 découle