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

Technische Zusammenfassung: Ein auf maschinellem Lernen basierendes Online-Diagnosemodell für Parkinson-Krankheit

Problemstellung
Die Parkinson-Krankheit erfordert eine frühzeitige und präzise Diagnose, um rechtzeitige Interventionen zu ermöglichen. Traditionelle Diagnosemethoden beruhen häufig auf klinischer Beobachtung und subjektiven Bewertungen, was verzögert geschehen kann, bis motorische Symptome ausgeprägt sind. Diese Studie adressiert das Bedürfnis nach einem objektiven, nicht-invasiven Diagnosewerkzeug durch die Integration von Eye-Tracking-Merkmalen mit klinischen Standardindikatoren. Ziel der Forschung ist die Entwicklung eines auf maschinellem Lernen basierenden Modells, das in der Lage ist, Patienten mit Parkinson von Kontrollgruppen mit hoher Genauigkeit zu unterscheiden, indem es die bekannten oculomotorischen Defizite nutzt, die mit der Krankheit assoziiert sind.

Methodik
Die Studie verwendete ein zentrenübergreifendes Fall-Kontroll-Design unter Einbeziehung von Teilnehmern aus mehreren Krankenhäusern in Guangdong, China. Der Datensatz umfasste sowohl klinische Indikatoren (Demografie, kognitive Scores wie MMSE, MoCA, HAM-A, HAM-D, PSQI) als auch hochdimensionale Eye-Tracking-Merkmale, die aus Sakkaden- und Smooth-Pursuit-Aufgaben abgeleitet wurden (z. B. Überlappungssakkaden-Genauigkeit/Latenz/Geschwindigkeit, Anti-Sakkaden-Metriken).

• Datenvorverarbeitung und Merkmalsauswahl:

  • Univariate Analyse: Ein initiales Screening wurde mittels univariater logistischer Regression durchgeführt, um signifikante Prädiktoren zu identifizieren. Variablen wie das Bildungsniveau, visuo-spatiale/exekutive Funktionen, Aufmerksamkeit, Sprache, verzögerter Abruf, Orientierung, der MoCA-Gesamtscore sowie spezifische Eye-Tracking-Metriken (z. B. mittlere Geschwindigkeit der Überlappungssakkade, Korrekturrate der Anti-Sakkade) zeigten statistische Signifikanz.
  • Umgang mit Multikollinearität: Eine Varianzinflationsfaktor-Analyse (VIF) ergab eine schwere Multikollinearität beim MoCA-Gesamtscore (VIF = 45,402) und eine moderate Multikollinearität bei mehreren Subscores. Die Studie räumte diese Korrelationen ein und merkte an, dass Variablen mit schwerer Kollinearität typischerweise Kandidaten für den Ausschluss oder die Kombination sind, um die Modellstabilität zu gewährleisten.
  • Imputation und Balancing: Die Studie verglich die Modellleistung unter Verwendung von Multiple Imputation by Chained Equations (MICE) gegenüber der Complete-Case-Analyse und stellte fest, dass MICE eine etwas höhere Spezifität und einen höheren AUC lieferte. Zusätzlich wurde die Auswirkung von SMOTE (Synthetic Minority Over-sampling Technique) evaluiert; Modelle, die mit SMOTE trainiert wurden, zeigten eine verbesserte Spezifität und ausgewogenere Metriken im Vergleich zu Modellen ohne SMOTE.

• Modellentwicklung:

  • Mehrere Algorithmen des maschinellen Lernens wurden trainiert und verglichen: Logistische Regression (LR), Random Forest (RF), XGBoost, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM) und Decision Tree (DT).
  • Erklärbarkeit: Das Random-Forest-Modell, welches die überlegene Leistung zeigte, wurde mittels SHAP-Werten (SHapley Additive exPlanations) interpretiert, um die Wichtigkeit der Merkmale und deren Beitrag zu den Vorhersagen zu quantifizieren.

• Validierung:

  • Die Modelle wurden auf einem unabhängigen Testdatensatz evaluiert.
  • Die Leistungsmetriken umfassten Sensitivität, Spezifität, positive/negative Vorhersagewerte (PPV/NPV), Präzision, Recall, F1-Score, Genauigkeit, Kappa, AUC (Area Under the ROC Curve) und PR-AUC (Precision-Recall AUC).
  • Die statistische Signifikanz zwischen den Modellleistungen wurde mittels paarweiser DeLong-Tests bewertet.
  • Subgruppenanalysen wurden basierend auf Alter und Geschlecht durchgeführt, um die Robustheit über Demografien hinweg zu prüfen.

Kernergebnisse

• Modellleistung: Das Random-Forest-Modell (RF) erwies sich als der beste Performer. Im unabhängigen Testset erreichte das RF-Modell einen AUC von 0,9711 und übertraf damit signifikant die logistische Regression (AUC 0,8438, p=0,002), XGBoost (AUC 0,9306, p=0,094) und SVM (AUC 0,9144, p=0,024).
• Metriken des Trainingssets: Im Trainingsset demonstrierte das RF-Modell einen AUC von 0,996 (95 % KI 0,991–1,000), einen PR-AUC von 0,9973 und einen Brier-Score von 0,033, was auf eine exzellente Kalibrierung und Diskriminationsfähigkeit hindeutet.
• Merkmalswichtigkeit: Die univariate Analyse identifizierte, dass niedrigere Werte in kognitiven Domänen (visuo-spatiale/exekutive Funktionen, Aufmerksamkeit, Sprache, verzögerter Abruf, Orientierung, MoCA) und spezifische Eye-Tracking-Anomalien (z. B. reduzierte mittlere Geschwindigkeit der Überlappungssakkade, erhöhte mittlere Dauer der Überlappungssakkade, reduzierte Anti-Sakkaden-Korrekturrate) stark mit Parkinson assoziiert waren.
• Robustheit:
  • SMOTE: Die Verwendung von SMOTE-Oversampling verbesserte die Spezifität des Modells (0,9560 gegenüber 0,9121) und den F1-Score (0,9537 gegenüber 0,9412).
  • Imputation: Die MICE-Imputation führte im Testset zu einer perfekten Spezifität (1,000) und einem perfekten PPV (1,000) mit einem AUC von 0,998, im Vergleich zu 0,996 ohne Imputation.
  • Subgruppen: Das Modell behielt eine hohe Leistung über Altersgruppen (AUC 0,963–0,998) und Geschlechter (AUC 0,957–0,979) hinweg bei, was auf eine Generalisierbarkeit innerhalb der untersuchten Kohorte schließen lässt.

Bedeutung und Ansprüche
Die Arbeit beansprucht, ein robustes, auf maschinellem Lernen basierendes Online-Diagnosemodell für die Parkinson-Krankheit vorzustellen, das Eye-Tracking-Biomarker effektiv mit klinischen Indikatoren integriert. Der primäre Beitrag ist der Nachweis, dass ein Random-Forest-Modell unter Nutzung dieser kombinierten Merkmale eine hohe diagnostische Genauigkeit (AUC > 0,97) in einem unabhängigen Testset erreichen kann.

Die Studie betont den Nutzen von Eye-Tracking-Merkmalen als objektive Marker, die kognitive Bewertungen ergänzen. Durch den Einsatz der SHAP-Analyse bietet das Modell Interpretierbarkeit und hebt hervor, welche spezifischen oculomotorischen und klinischen Variablen die Diagnose bestimmen. Die Autoren positionieren diese Arbeit als einen Schritt hin zu objektiven, nicht-invasiven Diagnosewerkzeugen, die potenziell die Früherkennung von Parkinson unterstützen könnten, gestützt durch eine rigorose statistische Validierung einschließlich Multikollinearitätsprüfungen, multipler Imputationsstrategien und Subgruppenanalysen. Die Arbeit wird als eine zentrenübergreifende Fall-Kontroll-Studie gerahmt, deren Ergebnisse auf ein starkes Potenzial für die klinische Anwendung hindeuten, sofern eine weitere externe Validierung erfolgt.