Modeling and validation in Parkinson’s disease patients with frailty
Notice bibliographique
Résumé
Introduction Parkinson’s disease (PD) is the second most common neurodegenerative disorder. The risk of frailty is significantly higher in patients with PD than in age-matched individuals without PD. This study aimed to develop a machine learning–based predictive model for frailty in PD. Methods We conducted a cross-sectional study of early- and middle-stage PD patients recruited from June 2024 to June 2025 at Shenzhen People’s Hospital. Frailty was assessed using the Fried criteria (five components: gait speed, grip strength, physical activity, fatigue, and weight loss). A total of 42 demographic and clinical variables, including disease history, Montreal cognitive assessment (MoCA), and unified Parkinson’s disease rating scale (MDS-UPDRS) scores, were collected and compared between PD patients with and without frailty. Spearman correlation and LASSO regression were used to identify independent risk factors. Multiple machine learning algorithms were applied to construct predictive models. Model performance was evaluated using receiver operating characteristic (ROC) curves, area under the ROC curve (AUC), decision curve analysis (DCA), calibration plots, and forest plots. Results A total of 205 PD patients were enrolled (133 non-frail, 72 frail; mean age non-frail 62.92 ± 9.69 years, frail 68.13 ± 8.44 years). Significant group differences were found in sex ( p = 0.013), age ( p < 0.001), disease severity (MDS-UPDRS, p < 0.001; modified Hoehn-Yahr stage (H&Y stage), p < 0.001), alcohol consumption ( p = 0.010), MoCA ( p < 0.001), HAMD ( p = 0.001), and Hamilton anxiety rating scale (HAMA) ( p < 0.001). Eight features were identified as independent predictors of frailty: sex, age, alcohol use, Modified H&Y stage, UPDRS-IV score, HAMA score, executive function, and naming. Among all tested algorithms, logistic regression achieved the best predictive performance (AUC = 0.83 in the test set), outperforming other machine learning models. Conclusion Frailty in PD was associated with female sex, older age, alcohol use, and more advanced disease severity. Patients with PD and frailty exhibited higher MDS-UPDRS scores, more severe cognitive impairment, and greater levels of depression and anxiety. Integrating clinical data with machine learning, especially logistic regression, provides a reliable and scalable tool for early identification and risk stratification of frailty in PD.
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 | 0,007 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».