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

Sintesi Tecnica: Un modello diagnostico online per la malattia di Parkinson derivato dal machine learning

Problematica
La malattia di Parkinson (MP) richiede una diagnosi precoce e accurata per facilitare un intervento tempestivo. I metodi diagnostici tradizionali si basano spesso sull'osservazione clinica e su valutazioni soggettive, che possono essere ritardate finché i sintomi motori non diventano prominenti. Questo studio affronta la necessità di uno strumento diagnostico obiettivo e non invasivo integrando le caratteristiche dell'eye-tracking con gli indicatori clinici standard. La ricerca mira a sviluppare un modello basato sul machine learning capace di distinguere i pazienti con MP dai controlli con alta precisione, sfruttando i noti deficit oculomotori associati alla malattia.

Metodologia
Lo studio ha impiegato un disegno caso-controllo a centro singolo coinvolgendo partecipanti provenienti da diversi ospedali del Guangdong, Cina. Il dataset includeva sia indicatori clinici (dati demografici, punteggi cognitivi come MMSE, MoCA, HAM-A, HAM-D, PSQI) che caratteristiche di eye-tracking ad alta dimensionalità derivate da compiti di saccadi e di ricerca del bersaglio fluido (es. accuratezza/latenza/velocità della saccade di sovrapposizione, metriche della saccade anti-saccade).

• Pre-elaborazione dei dati e selezione delle caratteristiche:

  • Analisi univariata: Lo screening iniziale è stato condotto tramite regressione logistica univariata per identificare i predittori significativi. Variabili quali il livello di istruzione, la funzione visuo-spaziale/esecutiva, l'attenzione, il linguaggio, il richiamo differito, l'orientamento, il punteggio totale MoCA e specifiche metriche di eye-tracking (es. velocità media della saccade di sovrapposizione, tasso di correzione della anti-saccade) hanno mostrato significatività statistica.
  • Gestione della multicollinearità: Un'analisi del Fattore di Inflazione della Varianza (VIF) ha rivelato una grave multicollinearità nel punteggio totale MoCA (VIF = 45,402) e una multicollinearità moderata in diversi sottopunteggi. Lo studio ha preso atto di queste correlazioni, osservando che le variabili con grave collinearità sono tipicamente candidate per la rimozione o la combinazione al fine di garantire la stabilità del modello.
  • Imputazione e bilanciamento: Lo studio ha confrontato le prestazioni del modello utilizzando l'imputazione multipla mediante equazioni concatenate (MICE) rispetto all'analisi dei casi completi, riscontrando che MICE ha prodotto una specificità e un AUC leggermente superiori. Inoltre, è stato valutato l'impatto di SMOTE (Synthetic Minority Over-sampling Technique); i modelli addestrati con SMOTE hanno mostrato una specificità e metriche bilanciate migliorate rispetto a quelli senza SMOTE.

• Sviluppo del modello:

  • Sono stati addestrati e confrontati molteplici algoritmi di machine learning: Regressione Logistica (LR), Random Forest (RF), XGBoost, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM) e Decision Tree (DT).
  • Spiegabilità: Il modello Random Forest, che ha dimostrato prestazioni superiori, è stato interpretato utilizzando i valori SHAP (SHapley Additive exPlanations) per quantificare l'importanza delle caratteristiche e il contributo alle previsioni.

• Validazione:

  • I modelli sono stati valutati su un set di test indipendente.
  • Le metriche di prestazione includevano Sensibilità, Specificità, Valori Predittivi Positivo/Negativo (PPV/NPV), Precisione, Recall, F1-score, Accuratezza, Kappa, AUC (Area Under the ROC Curve) e PR-AUC (Precision-Recall AUC).
  • La significatività statistica tra le prestazioni dei modelli è stata valutata tramite test di DeLong a coppie.
  • Sono state condotte analisi di sottogruppo basate su età e genere per valutare la robustezza tra le diverse demografie.

Risultati Chiave

• Prestazioni del modello: Il modello Random Forest (RF) è emerso come il migliore. Nel set di test indipendente, il modello RF ha raggiunto un'AUC di 0,9711, superando significativamente la Regressione Logistica (AUC 0,8438, p=0,002), XGBoost (AUC 0,9306, p=0,094) e SVM (AUC 0,9144, p=0,024).
• Metriche del set di addestramento: Nel set di addestramento, il modello RF ha dimostrato un'AUC di 0,996 (95% CI 0,991-1,000), un PR-AUC di 0,9973 e un punteggio di Brier di 0,033, indicando un'eccellente calibrazione e discriminazione.
• Importanza delle caratteristiche: L'analisi univariata ha identificato che i punteggi inferiori nei domini cognitivi (funzione visuo-spaziale/esecutiva, attenzione, linguaggio, richiamo differito, orientamento, MoCA) e specifiche anomalie dell'eye-tracking (es. ridotta velocità media della saccade di sovrapposizione, aumentata durata media della saccade di sovrapposizione, ridotto tasso di correzione della anti-saccade) erano fortemente associati alla MP.
• Robustezza:
  • SMOTE: L'uso del sovracampionamento SMOTE ha migliorato la specificità del modello (0,9560 vs 0,9121) e l'F1-score (0,9537 vs 0,9412).
  • Imputazione: L'imputazione MICE ha prodotto una specificità perfetta (1,000) e un PPV perfetto (1,000) nel set di test, con un'AUC di 0,998, rispetto a 0,996 senza imputazione.
  • Sottogruppi: Il modello ha mantenuto alte prestazioni attraverso i gruppi di età (AUC 0,963–0,998) e generi (AUC 0,957–0,979), suggerendo generalizzabilità all'interno della coorte studiata.

Significatività e Rivendicazioni
L'articolo sostiene di presentare un robusto modello diagnostico online per la malattia di Parkinson derivato dal machine learning che integra efficacemente i biomarcatori dell'eye-tracking con gli indicatori clinici. Il contributo primario è la dimostrazione che un modello Random Forest, utilizzando queste caratteristiche combinate, può raggiungere un'alta accuratezza diagnostica (AUC > 0,97) in un set di test indipendente.

Lo studio sottolinea l'utilità delle caratteristiche dell'eye-tracking come marcatori oggettivi che completano le valutazioni cognitive. Utilizzando l'analisi SHAP, il modello offre interpretabilità, evidenziando quali specifiche variabili oculomotorie e cliniche guidano la diagnosi. Gli autori pongono questo lavoro come un passo verso strumenti diagnostici obiettivi e non invasivi che potrebbero potenzialmente aiutare nella diagnosi precoce della MP, supportati da una rigorosa validazione statistica che include controlli di multicollinearità, strategie di imputazione multipla e analisi di sottogruppo. Il lavoro è inquadrato come uno studio caso-controllo a centro singolo, con risultati che suggeriscono un forte potenziale per l'applicazione clinica in attesa di ulteriore validazione esterna.