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 Samenvatting: Een door machine learning afgeleid online diagnostisch model voor de ziekte van Parkinson

Probleemstelling
De ziekte van Parkinson (PD) vereist een vroege en nauwkeurige diagnose om tijdige interventie te faciliteren. Traditionele diagnostische methoden vertrouwen vaak op klinische observatie en subjectieve beoordelingen, wat kan leiden tot vertraging totdat motorische symptomen prominent aanwezig zijn. Deze studie adresseert de behoefte aan een objectieve, niet-invasieve diagnostische tool door oogtracking-kenmerken te integreren met standaard klinische indicatoren. Het onderzoek heeft tot doel een op machine learning gebaseerd model te ontwikkelen dat in staat is om PD-patiënten met een hoge nauwkeurigheid te onderscheiden van controlegroepen, waarbij gebruik wordt gemaakt van de bekende oculomotorische defecten die geassocieerd worden met de ziekte.

Methodologie
De studie maakte gebruik van een single-center case-control design waarbij deelnemers van meerdere ziekenhuizen in Guangdong, China, werden betrokken. De dataset bevatte zowel klinische indicatoren (demografie, cognitieve scores zoals MMSE, MoCA, HAM-A, HAM-D, PSQI) als hoogdimensionale eye-tracking kenmerken afgeleid van saccadische en smooth pursuit taken (bijv. overlap saccade accuratesse/latentie/snelheid, anti-saccade metrieken).

• Data Preprocessing en Feature Selectie:

  • Univariante Analyse: Een initiële screening werd uitgevoerd met behulp van univariate logistische regressie om significante voorspellers te identificeren. Variabelen zoals opleidingsniveau, visuospatiale/executieve functie, aandacht, taal, vertraagde herinnering, oriëntatie, MoCA totale score en specifieke eye-tracking metrieken (bijv. gemiddelde overlap saccade snelheid, anti-saccade correctiepercentage) vertoonden statistische significantie.
  • Omgang met Multicollineariteit: Een Variance Inflation Factor (VIF) analyse onthulde ernstige multicollineariteit in de MoCA totale score (VIF = 45,402) en matige multicollineariteit in verschillende subscores. De studie erkende deze correlaties en merkte op dat variabelen met ernstige collineariteit doorgaans kandidaten zijn voor verwijdering of combinatie om modelstabiliteit te waarborgen.
  • Imputatie en Balancering: De studie vergeleek de modelprestaties met behulp van Multiple Imputation by Chained Equations (MICE) versus complete case analyse, waarbij werd vastgesteld dat MICE een iets hogere specificiteit en AUC opleverde. Daarnaast werd de impact van SMOTE (Synthetic Minority Over-sampling Technique) geëvalueerd; modellen getraind met SMOTE vertoonden verbeterde specificiteit en gebalanceerde metrieken vergeleken met modellen zonder SMOTE.

• Modelontwikkeling:

  • Meerdere machine learning algoritmen werden getraind en vergeleken: Logistische Regressie (LR), Random Forest (RF), XGBoost, Multi-Layer Perceptron (MLP), Support Vector Machine (SVM) en Decision Tree (DT).
  • Verklaarbaarheid: Het Random Forest model, dat de superieure prestaties leverde, werd geïnterpreteerd met behulp van SHAP (SHapley Additive exPlanations) waarden om de feature belangrijkheid en de bijdrage aan voorspellingen te kwantificeren.

• Validatie:

  • De modellen werden geëvalueerd op een onafhankelijke testset.
  • Prestatie-metrieken omvatten Sensitiviteit, Specificiteit, Positieve/Negatieve Voorspellende Waarden (PPV/NPV), Precisie, Recall, F1-score, Accuratesse, Kappa, AUC (Area Under the ROC Curve) en PR-AUC (Precision-Recall AUC).
  • Statistische significantie tussen modelprestaties werd beoordeeld met behulp van pairwise DeLong tests.
  • Subgroepanalyses werden uitgevoerd op basis van leeftijd en geslacht om de robuustheid over demografieën heen te beoordelen.

Belangrijkste Resultaten

• Modelprestaties: Het Random Forest (RF) model kwam als beste uit de bus. In de onafhankelijke testset bereikte het RF-model een AUC van 0,9711, waarmee het Logistische Regressie (AUC 0,8438, p=0,002), XGBoost (AUC 0,9306, p=0,094) en SVM (AUC 0,9144, p=0,024) significant overtrof.
• Trainingsset Metrieken: In de trainingsset vertoonde het RF-model een AUC van 0,996 (95% BI 0,991-1,000), een PR-AUC van 0,9973 en een Brier score van 0,033, wat wijst op uitstekende kalibratie en discriminatie.
• Feature Belangrijkheid: De univariate analyse identificeerde dat lagere scores in cognitieve domeinen (visuospatiale/executieve functie, aandacht, taal, vertraagde herinnering, oriëntatie, MoCA) en specifieke eye-tracking anomalieën (bijv. verminderde gemiddelde overlap saccade snelheid, verhoogde gemiddelde overlap saccade duur, verminderde anti-saccade correctie ratio) sterk geassocieerd waren met PD.
• Robuustheid:
  • SMOTE: Het gebruik van SMOTE oversampling verbeterde de specificiteit van het model (0,9560 vs. 0,9121) en de F1-score (0,9537 vs. 0,9412).
  • Imputatie: MICE-imputatie resulteerde in een perfecte specificiteit (1,000) en PPV (1,000) in de testset, met een AUC van 0,998, vergeleken met 0,996 zonder imputatie.
  • Subgroepen: Het model behield een hoge prestatie over leeftijdsgroepen (AUC 0,963–0,998) en geslachten (AUC 0,957–0,979), wat duidt op generaliseerbaarheid binnen de bestudeerde cohort.

Significantie en Claims
Het artikel claimt een robuust, door machine learning afgeleid online diagnostisch model voor de ziekte van Parkinson te presenteren dat eye-tracking biomarkers effectief integreert met klinische indicatoren. De primaire bijdrage is de demonstratie dat een Random Forest-model, gebruikmakend van deze gecombineerde kenmerken, een hoge diagnostische nauwkeurigheid (AUC > 0,97) kan bereiken in een onafhankelijke testset.

De studie benadrukt het nut van eye-tracking kenmerken als objectieve markers die cognitieve beoordelingen aanvullen. Door SHAP-analyse toe te passen, biedt het model interpreteerbaarheid door te belichten welke specifieke oculomotorische en klinische variabelen de diagnose sturen. De auteurs positioneren dit werk als een stap naar objectieve, niet-invasieve diagnostische tools die potentieel kunnen bijdrage aan de vroege detectie van PD, ondersteund door rigoureuze statistische validatie inclusief controles op multicollineariteit, meerdere imputatiestrategieën en subgroepanalyses. Het werk is geframed als een single-center case-control studie, waarbij de resultaten wijzen op een sterk potentieel voor klinische toepassing, mits verdere externe validatie plaatsvindt.