వాల్యూమ్ 29, సంచిక 4 • డిసెంబర్ 2025.
పార్కిన్సన్స్ వ్యాధిలో మోటారు హెచ్చుతగ్గుల యొక్క క్రాస్-కోహోర్ట్ అంచనా కోసం అర్థమయ్యే యంత్ర అభ్యాసం.
పార్కిన్సన్స్ వ్యాధి (PD)లో మోటారు హెచ్చుతగ్గులు (MF) ఒక సాధారణ మరియు సంక్లిష్టమైన సమస్య, ఇది క్లినికల్, జన్యు మరియు జీవనశైలి కారకాల ద్వారా ఏర్పడుతుంది. రోగి సమూహాలలో వ్యక్తిగత వైవిధ్యం మరియు క్రమబద్ధమైన తేడాల కారణంగా వాటి ఆగమనాన్ని అంచనా వేయడం చాలా సవాలుగా ఉంటుంది. “పార్కిన్సన్స్ వ్యాధిలో మోటార్ హెచ్చుతగ్గుల యొక్క క్రాస్-కోహోర్ట్ ప్రిడిక్షన్ కోసం ఇంటర్‌ప్రెటబుల్ మెషిన్ లెర్నింగ్” అనే అధ్యయనం మూడు బాగా-వర్గీకరించబడిన PD కోహోర్ట్‌ల (LuxPARK, PPMI, ICEBERG) నుండి డేటాకు ఇంటర్‌ప్రెటబుల్ మెషిన్ లెర్నింగ్ (ML) పద్ధతులను వర్తింపజేయడం ద్వారా ఈ సవాళ్లను పరిష్కరిస్తుంది.
ఈ పని యొక్క ముఖ్య లక్షణం దాని క్రాస్-కోహోర్ట్ డిజైన్, ఇది స్వతంత్ర డేటాసెట్‌లలో ప్రిడిక్టర్‌లను మూల్యాంకనం చేసి ఫలితాలు దృఢంగా మరియు సాధారణీకరించదగినవిగా ఉండేలా చూసుకుంటుంది. చాలా మునుపటి అధ్యయనాలు చిన్న నమూనా పరిమాణాలతో సింగిల్ కోహోర్ట్‌లపై ఆధారపడి ఉన్నాయి, ఇది ఓవర్‌ఫిట్టింగ్ మరియు పరిమిత సాధారణీకరణ ప్రమాదాన్ని పెంచుతుంది. దీనికి విరుద్ధంగా, ఈ అధ్యయనం బహుళ కోహోర్ట్‌లను ఏకీకృత ప్రిడిక్షన్ మోడల్‌లలో అనుసంధానిస్తుంది మరియు లీవ్-వన్-కోహోర్ట్-అవుట్ ధ్రువీకరణను వర్తింపజేస్తుంది, ఇది MF యొక్క నమ్మకమైన ప్రిడిక్టర్‌లను గుర్తించడానికి బలమైన పునాదిని అందిస్తుంది.
అర్థమయ్యే ML నమూనాల వాడకం మరొక కొత్త అంశం. అర్థమయ్యేలా లేని "బ్లాక్-బాక్స్" అల్గోరిథంలపై ఆధారపడటానికి బదులుగా, ఈ నమూనాలు వ్యక్తిగత వేరియబుల్స్ MFతో ఎలా సంబంధం కలిగి ఉన్నాయో హైలైట్ చేస్తాయి. కోహోర్ట్‌లలో బలమైన మరియు సాధారణీకరించదగిన ఫలితాలను నిర్ధారించడానికి, బహుళ ML విధానాలను వర్తింపజేయడం మరియు పోల్చడం జరిగింది, వీటిలో వర్గీకరణ కోసం ట్రీ-ఆధారిత అల్గోరిథంలు మరియు అనేక క్రాస్-కోహోర్ట్ సాధారణీకరణ విధానాలతో సమగ్రపరచడం ద్వారా టైమ్-టు-ఈవెంట్ విశ్లేషణలు ఉన్నాయి.
ఈ తులనాత్మక మూల్యాంకనం ద్వారా, క్రాస్-వాలిడేషన్ సైకిల్స్‌లో ఫీచర్ ఎంపిక యొక్క ఫ్రీక్వెన్సీ ద్వారా లెక్కించబడిన, అర్థమయ్యే మరియు బలమైన ప్రిడిక్టర్ ర్యాంకింగ్‌లను అందిస్తూనే నమ్మకమైన MF అంచనాను సాధించిన నమూనాలను గుర్తించారు. మోటారు మరియు నాన్-మోటార్ సింప్టమ్ అసెస్‌మెంట్‌లు, క్లినికల్ లక్షణాలు మరియు GBA మరియు LRRK2 వంటి జన్యుపరమైన కారకాలతో సహా విస్తృతమైన ప్రిడిక్టర్‌లను పరిశీలించారు. క్రాస్-వాలిడేషన్‌లో స్థిరమైన ఫీచర్ ర్యాంకింగ్ గుర్తించబడిన ప్రిడిక్టర్‌లు స్థిరంగా ఉన్నాయని మరియు కోహోర్ట్-స్పెసిఫిక్ ఆర్టిఫ్యాక్ట్‌లు కాదని విశ్వాసాన్ని బలోపేతం చేసింది. బహుళ అల్గోరిథంలు, క్రాస్-కోహోర్ట్ ధ్రువీకరణ మరియు ఇంటర్‌ప్రెటబిలిటీపై ప్రాధాన్యతను పోల్చడం ద్వారా, ఈ విధానం PDలో MF రిస్క్ యొక్క కీలక నిర్ణాయకాలను వెలికితీసేందుకు కఠినమైన ఫ్రేమ్‌వర్క్‌ను అందిస్తుంది మరియు ML సాంప్రదాయ విశ్లేషణలకు మించి కార్యాచరణ, సాధారణీకరించదగిన అంతర్దృష్టులను ఎలా ఇవ్వగలదో ప్రదర్శిస్తుంది.
అత్యంత ముఖ్యమైన ఫలితాలలో ఒకటి సాధారణంగా ఉపయోగించే PD ఔషధ లెవోడోపాకు సంబంధించినది. లెవోడోపా తీసుకోవడం చాలా కాలంగా MF యొక్క కీలక డ్రైవర్‌గా పరిగణించబడుతున్నప్పటికీ, మల్టీవేరియబుల్ క్రాస్-కోహార్ట్ నమూనాలు వ్యాధి వ్యవధి, తీవ్రత మరియు హోహ్న్ & యాహర్ (H&Y) దశ వంటి వ్యాధి పురోగతి యొక్క పరస్పర సంబంధం ఉన్న గుర్తులను లెక్కించిన తర్వాత దాని అంచనా విలువ గణనీయంగా లేదని చూపించాయి. లెవోడోపా మరియు MF మధ్య సంబంధం స్వతంత్రంగా ఉండకపోవచ్చు కానీ బదులుగా వ్యాధి పురోగతితో దాని బలమైన సహసంబంధాన్ని ప్రతిబింబిస్తుందని ఇది సూచిస్తుంది. ముఖ్యంగా, ఇటీవలి క్లినికల్ ట్రయల్ కూడా MF లెవోడోపా ఎక్స్‌పోజర్‌కు కాకుండా వ్యాధి పురోగతికి దగ్గరి సంబంధం కలిగి ఉందని హైలైట్ చేసింది. క్లినికల్ కారకాల మధ్య సంక్లిష్ట అనుబంధాలను బహిర్గతం చేయడానికి మల్టీవేరియబుల్ మోడలింగ్ యొక్క ప్రయోజనాన్ని ఇటువంటి అంతర్దృష్టులు వివరిస్తాయి.
క్లినికల్ ప్రిడిక్టర్లతో పాటు, జన్యుపరమైన కారకాలు కూడా MF ప్రమాదంపై ముఖ్యమైన అంతర్దృష్టులను అందించాయి. క్రాస్-కోహోర్ట్ విశ్లేషణలు వ్యాధికారక GBA ఉత్పరివర్తనలు MF అభివృద్ధి చెందే అధిక ప్రమాదంతో సంబంధం కలిగి ఉన్నాయని వెల్లడించాయి, ఈ క్యారియర్‌లలో మరింత దూకుడు వ్యాధి పురోగతిని ప్రతిబింబిస్తాయి. LRRK2 ఉత్పరివర్తనలు కూడా MFతో ముడిపడి ఉన్నాయి, అయితే తక్కువ ప్రమాద నిష్పత్తితో. GBA మరియు LRRK2 వేరియంట్‌లు రెండూ డిస్కినేసియాతో సంబంధం కలిగి ఉన్నాయి, ఇది MFకి సంబంధించిన ఒక సాధారణ PD సమస్య, ఇది జన్యు వైవిధ్యాలు, వ్యాధి పురోగతి మరియు లక్షణ తీవ్రత యొక్క బహుముఖ ప్రభావాన్ని హైలైట్ చేస్తుంది. ఈ పరిశోధనలు జన్యు డేటాను ప్రిడిక్టివ్ మోడళ్లలో చేర్చడం యొక్క విలువను నొక్కి చెబుతాయి మరియు క్రాస్-కోహోర్ట్ విశ్లేషణ సాధారణీకరించదగిన మరియు క్లినికల్‌గా అర్థవంతమైన ప్రిడిక్టర్‌లను ఎలా వెల్లడిస్తుందో ప్రదర్శిస్తాయి.
అంచనాకు మించి, ఈ నమూనాలు క్లినికల్ ట్రయల్ డిజైన్ మరియు రోగి నిర్వహణను తెలియజేయడంలో సహాయపడతాయి. అవి రిస్క్-ఆధారిత పాల్గొనేవారి ఎంపికను మార్గనిర్దేశం చేయగలవు, ఫాలో-అప్ షెడ్యూల్‌లను మెరుగుపరచగలవు మరియు MF ఆగమనాన్ని ఆలస్యం చేసే లక్ష్యంతో ముందస్తు జోక్యాలకు మద్దతు ఇవ్వగలవు. మొత్తంమీద, విభిన్న ప్రిడిక్టర్‌లను క్రాస్-కోహోర్ట్ ధృవీకరించబడిన నమూనాలలోకి అనుసంధానించడం ద్వారా, ఈ అధ్యయనం PDలో MF ప్రిడిక్షన్ కోసం పరిమాణాత్మక మరియు సాధారణీకరించదగిన ఫ్రేమ్‌వర్క్‌ను అందిస్తుంది, ఇది ఇతర వ్యాధి ఫలితాలు మరియు పరిస్థితుల అధ్యయనానికి ఒక టెంప్లేట్‌గా కూడా ఉపయోగపడుతుంది. ఫాలో-అప్ పరిశోధన భవిష్యత్ ఖచ్చితత్వ క్లినికల్ ట్రయల్స్ యొక్క విలువ రూపకల్పనను పెంచడానికి మరింత వైవిధ్యమైన కోహోర్ట్‌లలో ప్రిడిక్టివ్ మోడల్‌లను మరింత ఆప్టిమైజ్ చేయాలి మరియు ధృవీకరించాలి.
మరింత చదవండి ముందుకు సాగుతోంది :