[论文解读] Assessing the predictive ability of the UPDRS for falls classification in early stage Parkinson's disease

Sarini Abdullah, Nicole White+3 more|arXiv (Cornell University)|Oct 3, 2019

Parkinson's Disease Mechanisms and Treatments被引用 4

一句话总结

本研究评估了早期帕金森病（PD）患者中，个体统一帕金森病评分量表（UPDRS）条目与综合评分在分类跌倒者与非跌倒者方面的预测能力。通过在51名患者中使用逻辑回归、决策树、随机森林和贝叶斯模型平均法进行为期12个月的研究，发现来自第二部分和第三部分的个体UPDRS条目可实现80%的准确率、85%的敏感度和77%的特异度，优于综合测量指标，在早期PD中提供了更优的跌倒预测效果。

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.

研究动机与目标

• 评估个体UPDRS条目与综合测量指标在早期帕金森病（PD）中预测跌倒的优劣。
• 利用多种统计方法，识别对跌倒分类最具信息量的UPDRS条目和子评分。
• 评估6个月和12个月随访期内跌倒预测模型的一致性与稳定性。
• 比较逻辑回归、决策树、随机森林和贝叶斯模型平均法在分类跌倒风险方面的表现。
• 确定6个月随访期是否能提供与12个月随访期相当的预测能力。

提出的方法

• 应用三种分类方法：逻辑回归、决策树和随机森林，从UPDRS数据中预测跌倒状态。
• 使用逐步选择法和贝叶斯模型平均法（BMA）结合对数边际似然值，进行逻辑回归模型选择。
• 在决策树和随机森林中，采用基尼指数准则来确定变量重要性和分裂点选择。
• 通过分类准确率、敏感度、特异度以及受试者工作特征（ROC）分析评估模型性能。
• 通过交叉验证评估模型在6个月和12个月随访期内的稳健性与稳定性。
• 对比个体UPDRS条目、子评分（如子总分2、强直）和完整部分（I–IV）的结果，以识别最优预测因子。

实验结果

研究问题

• RQ1 在早期PD中，哪些UPDRS组成部分——个体条目还是综合评分——能实现更高的跌倒预测分类准确率？
• RQ2 在多种统计模型中，哪些具体的UPDRS条目在预测跌倒方面表现出最一致的预测能力？
• RQ3 6个月与12个月随访期内，分类性能指标（准确率、敏感度、特异度）有何差异？
• RQ4 决策树、随机森林、逻辑回归和贝叶斯模型平均法在跌倒预测中是否产生相似或不同的结果？
• RQ5 6个月随访期是否能提供与12个月随访期相当的预测信息，适用于早期PD？

主要发现

• 通过个体UPDRS条目实现的最高分类准确率为80%（85%敏感度，77%特异度），优于以往任何研究的结果。
• UPDRS第二部分和第三部分的分类率最高，其中第三部分准确率为71–79%，敏感度为73–83%。
• 在所有模型和随访时间中均一致的预测因子包括：思维障碍（UPDRS I）、穿衣与跌倒（UPDRS II）、手部旋前/旋后动作（UPDRS III），以及睡眠障碍与症状性直立性低血压（UPDRS IV）。
• 综合测量指标如子总分2（UPDRS II条目）和强直表现与跌倒状态有较强关联，但其预测能力仍低于个体条目。
• 在6个月与12个月随访期内，分类性能无显著差异，表明6个月可能已足够用于跌倒风险评估。
• UPDRS IV常被忽视，但其纯度高，优势比大于1，表明其对预测有显著贡献，尽管在交叉验证中稳定性较低。