Identificación de riesgo de progresión de la enfermedad de Parkinson utilizando Machine Learning
Identification of Parkinson’s disease progression risk using Machine Learning
Barra lateral del artículo
PDF
FLIP
Términos de la licencia (VER)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Declaración del copyright
Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.
La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Licencia
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Contenido principal del artículo
Resumen
Antecedentes: La Enfermedad de Parkinson (EP) afecta de diferentes formas la vida de las personas que la padecen, quienes inicialmente desconocen cómo será la progresión de la enfermedad dentro de los próximos años y los cambios que implicará en su proyecto de vida. El objetivo de este estudio es implementar un modelo de predicción de riesgo de progresión de Parkinson usando técnicas de aprendizaje autónomo.
Metodología: Se seleccionan 11 variables que son usadas en otros estudios relacionados y son tomadas de datos clínicos de pacientes con EP capturados mediante evaluaciones y cuestionarios. Se implementan modelos de predicción empleando las técnicas de Machine Learning: Regresión Logística, Random Forest y Gradient Boosting Machine (GBM). Los rendimientos son evaluados a través del área bajo la curva Receiver Operating Characteristic (ROC).
Resultados: Se obtiene un conjunto de datos con calidad y según las necesidades del caso de estudio haciendo uso de la base de datos Parkinson Progression Markers Initiative (PPMI) con el cuál se implementa un modelo robusto de riesgo de progresión de EP en un tiempo de 10 años, con un área bajo la curva (AUC) de 0.9, interpretable, confiable y con alta usabilidad para pacientes, cuidadores y personal calificado quienes podrán tomar decisiones más acertadas desde los datos.
Descargas
Detalles del artículo
Referencias (VER)
Castro Toro Aracelly, Buriticá Omar Freddy. (2014). Enfermedad de parkinson: criterios diagnósticos, factores de riesgo y de progresión, y escalas de valoración del estadio clínico. http://www.scielo.org.co/pdf/anco/v30n4/ v30n4a10.pdf.
DAMA International. (2017). Data Management Body of Knowledge. Second Edition. Basking Ridge, NJ 07920 USA: Technics Publications.
De Jong Johann, Emon Mohammad Asif, Wu Ping, Karki Reagon, Sood Meemansa, Godard Patrice, Ahmad Ashar, Vrooman Henri, Hofmann-Apitius Martin, Holger Fröhlich. (2019). Deep learning for clustering of multivariate clinical patient trajectories with missing values. GigaScience, Volume 8, Issue 11, November 2019, giz134, https://doi.org/10.1093/gigascience/giz134.
Drew Daniel S, Muhammed Kinan, Baig Fahd, Kelly Mark, Saleh Youssuf, Sarangmat Nagaraja, Okai David, Hu Michele, Manohar Sanjay and Husain Masud. (2020). Dopamine and reward hypersensitivity in Parkinson’s disease with impulse control disorder. https://doi.org/10.1093/brain/awaa198.
Espinosa-Zúñiga, Javier Jesús. (2020). Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de tarjetas de crédito. Ingeniería, investigación y tecnología, 21(3), 00002. Epub 02 de diciembre de 2020. https://doi.org/10.22201/fi.25940732e.2020.21.3.022
Evans, A. H., Okai, D., Weintraub, D., Lim, S. -Y., O’Sullivan, S. S., Voon, V., Krack, P., Sampaio, C., Post, B., Leentjens, A. F. G., Martinez-Martin, P., Stebbins, G. T., Goetz, C. G., Schrag, A., Bhidayasiri, R., Brown, R. G., Marinus, J., Mestre, T. A., Violante, M. R. & Skorvanek, M. (2019). Scales to assess impulsive and compulsive behaviors in Parkinson’s disease: Critique and recommendations. https://doi.org/10.1002/mds.27689.
Fuentes-Arderiu, X. (2013). What is a biomarker? It’s time for a renewed definition. Clinical Chemistry and Laboratory Medicine, Vol. 51 (Issue 9), pp. 1689- 1690. https://doi.org/10.1515/cclm-2013-0240.
Fundación Michael J. Fox. About Parkinson’s. (2024). https://www.michaeljfox.org/ parkinsons-101.
Gerraty RT, Provost A, Li L, Wagner E, Haas M and Lancashire L. (2023). Machine learning within the Parkinson’s progression markers initiative: Review of the current state of affairs. doi: 10.3389/fnagi.2023.1076657
Gramotnev, G., Gramotnev, D.K. & Gramotnev, A. (2021). Publisher Correction: Parkinson’s disease prognostic scores for progression of cognitive decline. Sci Rep 11, 5915. https://doi.org/10.1038/s41598-020-76437-z.
International Parkinson and Movement Disorder Society (MDS). MDS-UPDRS. (2019).
International Parkinson and Movement Disorder Society. MDS-Unified Parkinson’s Disease Rating Scale (MDS-UPDRS). (2024) https://www.movementdisorders. org/MDS/MDS-Rating-Scales/MDS-Unified-Parkinsons-Disease-Rating-Scale- MDS-UPDRS.htm.
Johns MW. (1991). A new method for measuring daytime sleepiness: The Epworth Sleepiness Scale. Sleep. https://nasemso.org/wp-content/uploads/neuro-epworthsleepscale.pdf.
Martínez-Martín P, Rodríguez-Blázquez C, Mario Alvarez, Arakaki T, Arillo VC, Chaná P, Fernández W, Garretto N, Martínez-Castrillo JC, Rodríguez- Violante M, Serrano-Dueñas M, Ballesteros D, Rojo-Abuin JM, Chaudhuri KR, Merello M. (2015). Parkinson’s disease severity levels and MDS-Unified Parkinson’s Disease Rating Scale. Parkinsonism Relat Disord. doi: 10.1016/j. parkreldis.2014.10.026.
McEwen Barbara. (2023). Administering the MoCA: What Does it Mean and Why is it Important?.https://rivcodpss.org/sites/g/files/aldnop276/files/2023-04/ MoCA%20Presentation.FULL%20PAGE.pdf.
Mohammad R. Salmanpour, Mojtaba Shamsaei, Abdollah Saberi, Saeed Setayeshi, Ivan S. Klyuzhin, Vesna Sossi, Arman Rahmim. (2019). Optimized machine learning methods for prediction of cognitive outcome in Parkinson’s disease. https://doi.org/10.1016/j.compbiomed.2019.103347.
Nalls Mike A, Keller Margaux F, Hernandez Dena G, Chen Lan, Stone David J, Singleton Andrew B. (2016). Baseline genetic associations in the Parkinson’s Progression Markers Initiative (PPMI). doi: 10.1002/mds.26374.
Nguyen Alex A., Maia Pedro D., Gao Xiao, Damasceno Pablo F., and Raj Ashish. (2020). “Dynamical Role of Pivotal Brain Regions in Parkinson Symptomatology Uncovered with Deep Learning” Brain Sciences 10, no. 2: 73. https://doi. org/10.3390/brainsci10020073.
NIH. Form Structure: PDBP Modified Schwab and England Scale - Legacy Data. (2015). https://fitbir.nih.gov/dictionary/publicData/ dataStructureAction!lightboxView.ajax?dataStructureName=LD_ ModSchwabEnglandScale&publicArea=true.
Nomura Takashi, Inoue Yuichi, Kagimura Tatsuo, Uemura Yusuke, Nakashima Kenji. (2011). Utility of the REM sleep behavior disorder screening questionnaire (RBDSQ) in Parkinson’s disease patients. doi: 10.1016/j.sleep.2011.01.015.
Orozco, J. L., Valderrama-Chaparro, J. A., Pinilla-Monsalve, G. D., Molina- Echeverry, M. I., Pérez Castaño, A. M., Ariza-Araújo, Y., Prada, S. I., & Takeuchi, Y. (2020). Parkinson’s disease prevalence, age distribution and staging in Colombia. Neurology international, 12(1), 8401. https://doi.org/10.4081/ ni.2020.8401.
Parkinson’s Progressive Markers Initiative (PPMI). (2023). Data User Guide – updated August 22nd, 2023. PPMI Dataset.
Schrag Anette, Siddiqui Uzma Faisal, Anastasiou Zacharias, Weintraub Daniel, Schott Jonathan M. (2017). Clinical variables and biomarkers in prediction of cognitive impairment in patients with newly diagnosed Parkinson’s disease: a cohort study. https://doi.org/10.1016/S1474-4422(16)30328-3.
Section. (2024). How to Analyze Machine Learning Models using SHAP. https:// www.section.io/engineering-education/how-to-analyze-machine-learning-models-using-shap/.
Tang Chunyan, Zhao Xiaoyan, Wu Wei, Zhong Weijia, Wu Xiaojia. (2021). An individualized prediction of time to cognitive impairment in Parkinson’s disease: A combined multi-predictor study. https://doi.org/10.1016/j. neulet.2021.136149.