JPD ： 机器学习，辅助帕金森疾病预测

帕金森病（PD）是一种慢性、进行性和致残性的神经退行性疾病，始于中晚年。经典的运动特征主要是由黑质旁（SNpc）的多巴胺能神经元变性引起的，包括静止性震颤、运动迟缓和稀少、僵硬、平衡受损和自主神经症状。

PD现在被公认为是一种系统性疾病，在整个脊髓和自主神经系统、肠神经丛和肠道、嗅觉系统、视觉系统、胰腺和皮肤都发现了广泛的神经元内聚集的磷酸化α-核蛋白（Lewy体和Lewy神经元）和相关症状。周边病变可能先于中枢病变。

没有诊断PD的测试，只有在纹状体多巴胺广泛丧失后，才出现符合诊断标准的运动症状和体征。在诊断时，50-80%的黑质多巴胺能神经元已经死亡或正在死亡。旨在减缓疾病进展的治疗药物在这个晚期阶段可能不太有效，

事实上，30多年来针对早期帕金森病的临床试验未能找到改变疾病的干预措施。在运动性帕金森病发病之前有一个持续多年的前驱期。如果能够有把握地识别出有患帕金森病风险的人，就可以在这一漫长的病理演变过程中采取干预措施来推迟帕金森病的发病。

之前只有少数研究前瞻性地收集了广泛的前驱特征和风险因素，这些风险因素与尸检时路易氏病理学之间的相关性还没有得到充分研究。

重要的是，在临床上正常的人中，有高达20%的人发现了偶然的Lewy病理，许多人认为这反映了早期PD。

藉此，Public Health Loyola University的 Ibrahim Karabayira等人，假设有可能使用机器学习模型来识别那些有PD和Lewy体病理学风险的人，这些数据是通过对Kuakini Honolulu-Asia老龄化研究（HAAS）的参与者进行体检时的问卷和简单的临床测试获得。

他们利用问卷调查和简单的非侵入性临床测试来预测PD的未来诊断。使用问卷调查和简单的非侵入性临床测试来预测PD的未来诊断。

在1995-2017年期间，前瞻性的Kuakini Honolulu-Asia老龄化研究（HAAS）的参与者，由PD专家使用标准诊断标准每半年进行一次评估。对所有死亡病例进行尸检。

他们将简单的临床和风险因素变量输入到基于集合树的机器学习算法中，并推导出预测PD发病概率的模型。还探究了预测模型和神经病理学特征的关系，如黑质神经元密度。

研究样本包括292名受试者，其中25人在3年内患PD，41人在5年内患PD。在251名未被诊断为PD的受试者中，有116人（46%）进行了尸检。

对12个预测因子进行建模，对3年内（曲线下面积（AUC）0.82，95%CI 0.76-0.89）或5年内（AUC 0.77，95%CI 0.71-0.84）患PD的个体进行了正确分类。

很大一部分被误判为PD的对照组在尸检时有路易氏病理学，包括那些在3年内死亡的人中的79%。

PD概率估计与黑质神经元密度成反比，在首发日期后3年内进行的尸检中最强（r = -0.57，p < 0.01）。

该研究的重要意义在于发现了：机器学习可以通过问卷调查和简单的非侵入性测试来识别可能在前驱期发展为PD的人。和简单的非侵入性测试。与神经病理学的相关性表明，真正的模型准确性可能大大高于仅基于临床诊断的估计。比仅仅基于临床诊断的估计要高得多。

原文出处：
Karabayir I, Butler L, Goldman SM, et al. Predicting Parkinson’s Disease and Its Pathology via Simple Clinical Variables. JPD. Published online September 29, 2021:1-11. doi:10.3233/JPD-212876