Ключевые результаты
Исследователи разработали и валидировали мультимодальную модель машинного обучения на основе алгоритма LightGBM для прогнозирования послеоперационного ухудшения показателей опросника застывания при ходьбе (FOGQ) у пациентов с болезнью Паркинсона, перенесших глубокую стимуляцию субталамического ядра (STN-DBS). Модель достигла высокого показателя AUC 0.917, демонстрируя надежную дискриминацию между пациентами с ухудшением FOGQ и без него после операции.
Методология
В ретроспективное исследование были включены данные 134 пациентов с болезнью Паркинсона, перенесших билатеральную STN-DBS. Модель интегрировала четыре типа данных:
- Оценки по клиническим шкалам
- Структурные нейровизуализационные характеристики на основе морфометрии по вокселям (VBM)
- Данные стереотактической локализации электродов с помощью анализа Lead-DBS
- Радиомические характеристики, извлеченные из предоперационной МРТ
После стандартизации был проведен отбор признаков с использованием методов LASSO, Boruta и рекурсивного исключения признаков с перекрестной проверкой (RFECV) для выявления наиболее значимых предикторов. Разработка и внутренняя валидация модели проводились с использованием 5-кратной вложенной перекрестной проверки. Эффективность модели оценивалась с помощью ROC-кривых, калибровочных кривых и анализа кривых принятия решений, а интерпретируемость модели анализировалась с использованием значений SHAP.
Клиническое значение
Разработанная мультимодальная модель может иметь существенное влияние на клиническую практику в нескольких аспектах:
-
Персонализированный отбор пациентов - модель может помочь в выявлении кандидатов с низким риском ухудшения застывания при ходьбе после операции
-
Раннее выявление пациентов высокого риска - позволяет заблаговременно планировать дополнительные терапевтические стратегии
-
Оптимизация планирования лечения - возможность корректировки хирургических параметров или постоперационных настроек стимуляции для минимизации риска
-
Интеграция мультимодальных данных - исследование подчеркивает важность комбинирования клинических, структурных и радиомических характеристик для повышения прогностической точности
Выводы
Мультимодальная модель LightGBM продемонстрировала надежную дискриминацию между пациентами с послеоперационным ухудшением FOGQ и без него, подчеркивая ценность интеграции клинических, структурных и радиомических характеристик для предоперационной стратификации риска у пациентов с болезнью Паркинсона, подвергающихся STN-DBS. Эти результаты могут способствовать улучшению процесса принятия клинических решений и индивидуализации лечения.
Однако авторы отмечают, что необходима внешняя валидация в проспективных многоцентровых когортах как следующий необходимый шаг перед внедрением модели в клиническую практику. Несмотря на это ограничение, исследование представляет значительный прогресс в направлении прецизионной медицины для пациентов с болезнью Паркинсона, рассматривающих нейрохирургическое лечение.