A machine-learning-derived online diagnostic model for Parkinson’s disease integrating eye-tracking features and clinical indicators: A single-center case-control study

ملخص تقني: نموذج تشخيصي عبر الإنترنت مستمد من التعلم الآلي لمرض باركنسون

بيان المشكلة
يتطلب مرض باركنسون (PD) تشخيصاً مبكراً ودقيقاً لتسهيل التدخل في الوقت المناسب. تعتمد طرق التشخيص التقليدية غالباً على الملاحظة السريرية والتقييمات الذاتية، والتي يمكن أن تتأخر حتى تظهر الأعراض الحركية بشكل بارز. تعالج هذه الدراسة الحاجة إلى أداة تشخيصية موضوعية وغير جراحية من خلال دمج ميزات تتبع حركة العين مع المؤشرات السريرية القياسية. يهدف البحث إلى تطوير نموذج قائم على التعلم الآلي قادر على التمييز بين مرضى باركنسون والمجموعات الضابطة بدقة عالية، وذلك بالاستفية من العجز الحركي العيني المعروف المرتبط بالمرض.

المنهجية
اعتمدت الدراسة تصميم حالة-ضابطة (case-control) في مركز واحد، شمل مشاركين من مستشفيات متعددة في غوانغدونغ، الصين. تضمنت مجموعة البيانات كلاً من المؤشرات السريرية (الديموغرافيا، درجات الإدراك مثل MMSE، وMoCA، وHAM-A، وHAM-D، وPSQI) وميزات تتبع حركة العين عالية الأبعاد المستمدة من مهام الحركات الرمشية (saccadic) والمطاردة الناعمة (smooth pursuit) (على سبيل المثال: دقة/زمن استجابة/سرعة حركة الرمش المتداخل، ومقاييس الحركة الرمشية المضادة).

• معالجة البيانات واختيار الميزات:

  • التحليل أحادي المتغير: تم إجراء فحص أولي باستخدام الانحدار اللوجستي أحادي المتغير لتحديد المتنبئات ذات الدلالة الإحصائية. وأظهرت متغيرات مثل المستوى التعليمي، والوظيفة البصرية المكانية/التنفيذية، والانتباه، واللغة، والاستدعاء المتأخر، والتوجيه، وإجمالي درجة MoCA، ومقاييس محددة لتتبع حركة العين (مثل متوسط سرعة حركة الرمش المتداخل، ومعدل تصحيح الحركة الرمشية المضادة) دلالة إحصائية.
  • التعامل مع التعدد الخطية (Multicollinearity): كشف تحليل عامل التضخم للتباين (VIF) عن تعدد خطي شديد في إجمالي درجة MoCA (VIF = 45.402) وتعدد خطي متوسط في عدة درجات فرعية. أقرت الدراسة بهذه الارتباطات، مشيرة إلى أن المتغيرات ذات التعدد الخطي الشديد هي عادةً مرشحة للإزالة أو الدمج لضمان استقرار النموذج.
  • التعويض والموازنة: قارنت الدراسة أداء النموذج باستخدام "التعويض المتعدد عبر المعادلات المتسلسلة" (MICE) مقابل "تحليل الحالة الكاملة"، ووجدت أن MICE حقق نوعية (specificity) ومساحة تحت المنحنى (AUC) أعلى قليلاً. بالإضافة إلى ذلك، تم تقييم تأثير تقنية SMOTE (تقنية الإفراط في أخذ العينات الاصطناعية للأقلية)؛ حيث أظهرت النماذج المدربة باستخدام SMOTE تحسناً في النوعية والمقاييس المتوازنة مقارنة بتلك التي لم تستخدمها.

• تطوير النموذج:

  • تم تدريب ومقارنة خوارزميات متعددة للتعلم الآلي: الانحدار اللوجستي (LR)، والغابة العشوائية (RF)، وXGBoost، والبيرسيبترون متعدد الطبقات (MLP)، وآلة ناقلات الدعم (SVM)، وشجرة القرار (DT).
  • القابلية للتفسير: تم تفسير نموذج الغابة العشوائية (Random Forest)، الذي أظهر أداءً فائقاً، باستخدام قيم SHAP (تفسيرات شابلِي المضافة) لقياس أهمية الميزات ومساهمتها في التنبؤات.

• التحقق من الصحة:

  • تم تقييم النماذج على مجموعة اختبار مستقلة.
  • شملت مقاييس الأداء: الحساسية (Sensitivity)، النوعية (Specificity)، القيم التنبؤية الإيجابية والسلبية (PPV/NPV)، الدقة (Precision)، الاستدعاء (Recall)، مقياس F1، الدقة (Accuracy)، كابا (Kappa)، المساحة تحت منحنى خصائص التشغيل المستقبلي (AUC)، والمساحة تحت منحنى الدقة والاستدعاء (PR-AUC).
  • تم تقييم الدلالة الإحصائية بين أداء النماذج باستخدام اختبارات DeLong الزوجية.
  • أُجريت تحليلات فرعية بناءً على العمر والجنس لتقييم المتانة عبر التركيبة السكانية.

النتائج الرئيسية

• أداء النموذج: برز نموذج الغابة العشوائية (RF) كأفضل أداء. وفي مجموعة الاختبار المستقلة، حقق نموذج RF مساحة تحت المنحنى (AUC) بلغت 0.9711، متفوقاً بشكل ملحوظ على الانحدار اللوجستي (AUC 0.8438, p=0.002)، وXGBoost (AUC 0.9306, p=0.094)، وSVM (AUC 0.9144, p=0.024).
• مقاييس مجموعة التدريب: في مجموعة التدريب، أظهر نموذج RF مساحة تحت المنحنى (AUC) قدرها 0.996 (بفاصل ثقة 95% 0.991-1.000)، وPR-AUC قدره 0.9973، ودرجة Brier قدرها 0.033، مما يشير إلى معايرة وتمييز ممتازين.
• أهمية الميزات: حدد التحليل أحادي المتغير أن الدرجات المنخفضة في المجالات المعرفية (الوظيفة البصرية المكانية/التنفيذية، الانتباه، اللغة، الاستدعاء المتأخر، التوجيه، وMoCA) وشذوذات محددة في تتبع حركة العين (مثل انخفاض متوسط سرعة حركة الرمش المتداخل، وزيادة متوسط مدة حركة الرمش المتداخل، وانخفاض معدل تصحيح الحركة الرمشية المضادة) كانت مرتبطة بقوة بمرض باركنسون.
• المتانة:
  • SMOTE: أدى استخدام زيادة العينات عبر SMOTE إلى تحسين نوعية النموذج (0.9560 مقابل 0.9121) ومقياس F1 (0.9537 مقابل 0.9412).
  • التعويض (Imputation): أدى التعويض باستخدام MICE إلى تحقيق نوعية مثالية (1.000) وقيمة تنبؤية إيجابية مثالية (1.000) في مجموعة الاختبار، مع AUC قدره 0.998، مقارنة بـ 0.996 بدون تعويض.
  • المجموعات الفرعية: حافظ النموذج على أداء عالٍ عبر الفئات العمرية (AUC 0.963–0.998) والجنسين (AUC 0.957–0.979)، مما يشير إلى القدرة على التعميم ضمن المجموعة المدروسة.

الأهمية والادعاءات
يدعي البحث تقديم نموذج تشخيصي عبر الإنترنت قوي ومستمد من التعلم الآلي لمرض باركنسون، يدمج بفعالية المؤشرات الحيوية لتتبع حركة العين مع المؤشرات السريرية. المساهمة الأساسية هي إثبات أن نموذج الغابة العشوائية، باستخدام هذه الميزات المدمجة، يمكنه تحقيق دقة تشخيصية عالية (AUC > 0.97) في مجموعة اختبار مستقلة.

تؤكد الدراسة على فائدة ميزات تتبع حركة العين كمؤشرات موضوعية تكمل التقييمات المعرفية. ومن خلال استخدام تحليل SHAP، يوفر النموذج قابلية للتفسير، مما يسلط الض الضوء على أي من المتغيرات العينية والمعرفية المحددة تقود التشخيص. يضع المؤلفون هذا العمل كخطوة نحو أدوات تشخيصية موضوعية وغير جراحية يمكن أن تساعد في الكشف المبكر عن مرض باركنسون، مدعومة بالتحقق الإحصائي الصارم بما في ذلك فحوصات التعدد الخطي، واستراتيجيات التعويض المتعدد، والتحليلات الفرعية. يتم تأطير العمل كدراسة حالة-ضابطة في مركز واحد، حيث تشير النتائج إلى إمكانية قوية للتطبيق السريري بانتظار المزيد من التحقق الخارجي.