[논문 리뷰] Assessing the predictive ability of the UPDRS for falls classification in early stage Parkinson's disease

Sarini Abdullah, Nicole White외 3명|arXiv (Cornell University)|2019. 10. 03.

Parkinson's Disease Mechanisms and Treatments인용 수 4

한 줄 요약

이 연구는 조기 단계 파킨슨병에서 낙상자와 비낙상자를 분류하기 위해 개인의 통합 파킨슨병 평가척도(UPDRS) 항목과 복합 점수의 예측 능력을 평가한다. 51명의 환자 대상으로 12개월 동안 로지스틱 회귀, 의사결정나무, 랜덤 포레스트, 베이지안 모델 평균화를 사용하여 분석한 결과, 특히 Part II 및 Part III의 개별 UPDRS 항목이 80% 정확도, 85% 민감도, 77% 특이도를 기록하여 통합 측정치를 능가하며 조기 PD에서 낙상 예측에 뛰어난 성능을 보였다.

ABSTRACT

Identification of risk factors associated with falls in people with Parkinson's Disease (PD) is important due to their high risk of falling. In this study, various ways of utilizing the Unified Parkinson's Disease Rating Scale (UPDRS) were assessed for the identification of risk factors and for the prediction of falls. Three statistical methods for classification were considered:decision trees, random forests, and logistic regression. UPDRS measurements on 51 participants with early stage PD, who completed monthly falls diaries for 12 months of follow-up were analyzed. All classification methods applied produced similar results in regards to classification accuracy and the selected important variables. The highest classification rates were obtained from model with individual items of the UPDRS with 80% accuracy (85% sensitivity and 77% specificity), higher than in any previous study. A comparison of the independent performance of the four parts of the UPDRS revealed the comparably high classification rates for Parts II and III of the UPDRS. Similar patterns with slightly different classification rates were observed for the 6- and 12-month of follow-up times. Consistent predictors for falls selected by all classification methods at two follow-up times are: thought disorder for UPDRS I, dressing and falling for UPDRS II, hand pronate/supinate for UPDRS III, and sleep disturbance and symptomatic orthostasis for UPDRS IV. While for the aggregate measures, subtotal 2 (sum of UPDRS II items) and bradykinesia showed high association with fall/non-fall. Fall/non-fall occurrences were more associated with individual items of the UPDRS than with the aggregate measures. UPDRS parts II and III produced comparably high classification rates for fall/non-fall prediction. Similar results were obtained for modelling data at 6-month and 12-month follow-up times.

연구 동기 및 목표

• 조기 단계 파킨슨병(PD)에서 낙상 예측에 있어 개인의 UPDRS 항목과 통합 측정치 중 어느 것이 더 나은가를 평가하기 위해.
• 다양한 통계적 방법을 사용하여 낙상 분류에 가장 유용한 UPDRS 항목과 하위 점수를 특정하기 위해.
• 6개월 및 12개월 추적 기간 동안 낙상 예측 모델의 일관성과 안정성을 평가하기 위해.
• 로지스틱 회귀, 의사결정나무, 랜덤 포레스트, 베이지안 모델 평균화의 성능을 비교하기 위해.
• 6개월 추적 기간이 12개월 추적 기간과 동일한 예측 능력을 제공하는지 확인하기 위해.

제안 방법

• 낙상 상태를 UPDRS 데이터로부터 예측하기 위해 로지스틱 회귀, 의사결정나무, 랜덤 포레스트의 세 가지 분류 방법을 적용하였다.
• 로지스틱 회귀 모델 선택을 위해 단계적 선택 및 로그-가장우도 기반 베이지안 모델 평균화(BMA)를 사용하였다.
• 의사결정나무 및 랜덤 포레스트에서 변수 중요도와 분할 선택을 위해 지니 지수 기준을 사용하였다.
• 모델 성능 평가를 위해 분류 정확도, 민감도, 특이도 및 수용자 작동 특성(ROC) 분석을 실시하였다.
• 모델의 강건성과 안정성을 평가하기 위해 교차검증을 수행하였으며, 6개월 및 12개월 추적 기간 동안 수행하였다.
• 최적의 예측자 식별을 위해 개인의 UPDRS 항목, 하위 점수(예: subtotal 2, 브라키네시아) 및 전체 파트(I–IV) 간 결과를 비교하였다.

실험 결과

연구 질문

• RQ1 조기 단계 PD에서 낙상 예측에 있어 개인의 UPDRS 항목과 통합 점수 중 어느 것이 더 높은 분류 정확도를 제공하는가?
• RQ2 다양한 통계 모델에서 일관되게 낙상 예측에 유용한 특정 UPDRS 항목은 무엇인가?
• RQ3 6개월과 12개월 추적 기간 간 분류 성능 지표(정확도, 민감도, 특이도)는 어떻게 달라지는가?
• RQ4 의사결정나무, 랜덤 포레스트, 로지스틱 회귀, 베이지안 모델 평균화 방법이 낙상 예측에서 유사한 결과를 내는가 아니면 상이한 결과를 낼까?
• RQ5 6개월 추적 기간이 조기 PD에서 12개월 추적 기간과 동일한 예측 정보를 제공할 수 있는가?

주요 결과

• 가장 높은 분류 정확도인 80% (85% 민감도, 77% 특이도)는 개인의 UPDRS 항목을 사용하여 달성되었으며, 이는 이전 연구에서 관찰된 바가 없었다.
• UPDRS Part II 및 III가 가장 높은 분류율을 보였으며, Part III는 71–79% 정확도와 73–83% 민감도를 기록하였다.
• 모든 모델과 추적 기간 동안 일관되게 예측 가능한 항목으로는: 정신장애(UPDRS I), 복장 및 낙상(UPDRS II), 손의 전위/후위 회전(UPDRS III), 수면 장애 및 증상적 수축성 저혈압(UPDRS IV)이 포함되었다.
• 통합 측정치인 subtotal 2(UPDRS II 항목) 및 브라키네시아는 낙상 상태와 강한 연관성을 보였지만, 개인 항목보다 예측 능력이 떨어졌다.
• 6개월과 12개월 추적 기간 간 분류 성능에 유의미한 차이가 관찰되지 않아, 6개월이 낙상 위험 평가에 충분할 수 있음을 시사하였다.
• 일반적으로 간과되는 UPDRS IV는 높은 순도와 1보다 큰 오즈비를 보였으며, 교차검증에서 안정성이 낮아도 예측에 의미 있는 기여를 한다고 나타났다.