机器学习整合连续血液生物标志物增强早期帕金森病认知下降的预测能力
本研究利用新加坡早期帕金森病纵向队列(PALS)193名参与者的数据,评估了重复血液生物标志物(神经丝轻链和总tau蛋白)在改善认知下降预测方面的价值。通过应用三种变量选择方法和五种机器学习模型对七个特征集进行分析,发现约23%的参与者在五年内经历了认知下降。采用随机森林选择的变量训练的XGBoost模型表现最佳,曲线下面积达到0.806,显著优于仅使用基线数据的模型(0.560)。关键预测因素包括舒张压以及总tau蛋白和神经丝轻链的汇总统计量。研究结果表明,随时间变化的生物标志物比单一基线数据更能改善预测,支持将其与机器学习相结合用于帕金森病的早期认知风险评估。

