ТОМ 29, ВЫПУСК 4 • ДЕКАБРЬ 2025.
Интерпретируемое машинное обучение для межкогортного прогнозирования двигательных флуктуаций при болезни Паркинсона
Моторные флуктуации (МФ) — распространенное и сложное осложнение болезни Паркинсона (БП), обусловленное клиническими, генетическими факторами и образом жизни. Прогнозирование их начала особенно затруднительно из-за межиндивидуальной вариабельности и систематических различий между группами пациентов. В исследовании «Интерпретируемое машинное обучение для межгруппового прогнозирования моторных флуктуаций при болезни Паркинсона» эти проблемы решаются путем применения интерпретируемых методов машинного обучения (МО) к данным трех хорошо изученных групп пациентов с БП (LuxPARK, PPMI, ICEBERG).
Ключевой особенностью данной работы является межкогортный дизайн, который оценивает предикторы в независимых наборах данных, чтобы гарантировать надежность и обобщаемость результатов. Большинство предыдущих исследований опирались на отдельные когорты с меньшими размерами выборки, что увеличивает риск переобучения и ограничивает обобщаемость. В отличие от этого, данное исследование объединяет несколько когорт в единые модели прогнозирования и применяет валидацию методом исключения одной когорты, что обеспечивает более прочную основу для выявления надежных предикторов МФ.
Использование интерпретируемых моделей машинного обучения — еще один новый аспект. Вместо того чтобы полагаться на неинтерпретируемые алгоритмы типа «черный ящик», модели показывают, как отдельные переменные связаны с MF. Для обеспечения надежных и обобщаемых результатов в разных когортах были применены и сравнены различные подходы машинного обучения, включая алгоритмы на основе деревьев для классификации и анализа времени до события, интегрированные с несколькими подходами к межкогортной нормализации.
В результате сравнительной оценки были выявлены модели, обеспечивающие надежное прогнозирование МФ (миофасциального фиброза), а также интерпретируемые и надежные ранжирования предикторов, количественно оцениваемые частотой выбора признаков в циклах перекрестной валидации. Был исследован широкий набор предикторов, включая оценку двигательных и недвигательных симптомов, клинические признаки и генетические факторы, такие как GBA и LRRK2. Последовательное ранжирование признаков в ходе перекрестной валидации укрепило уверенность в том, что выявленные предикторы являются стабильными и не представляют собой артефакты, специфичные для когорты. Сравнивая несколько алгоритмов, проводя межкогортную валидацию и уделяя особое внимание интерпретируемости, этот подход обеспечивает строгую основу для выявления ключевых факторов риска МФ при болезни Паркинсона и демонстрирует, как машинное обучение может давать действенные, обобщаемые результаты, выходящие за рамки традиционного анализа.
Одно из наиболее важных открытий касается широко используемого препарата для лечения болезни Паркинсона — леводопы. Хотя прием леводопы долгое время считался ключевым фактором развития миелофиброза, многофакторные кросс-когортные модели показали, что его прогностическая ценность не является значимой после учета коррелированных маркеров прогрессирования заболевания, таких как длительность заболевания, тяжесть заболевания и стадия по шкале Хоэна и Яра (H&Y). Это указывает на то, что связь между леводопой и миелофиброзом может быть не независимой, а скорее отражает его сильную корреляцию с прогрессированием заболевания. Примечательно, что недавнее клиническое исследование аналогичным образом показало, что миелофиброз тесно связан с прогрессированием заболевания, а не с самим приемом леводопы. Такие выводы иллюстрируют полезность многофакторного моделирования для выявления сложных взаимосвязей между клиническими факторами.
Помимо клинических предикторов, генетические факторы также внесли важный вклад в понимание риска развития миелофиброза (МФ). Межкогортный анализ показал, что патогенные мутации гена GBA были связаны с более высоким риском развития МФ, что отражает более агрессивное прогрессирование заболевания у носителей этих мутаций. Мутации гена LRRK2 также были связаны с МФ, хотя и с меньшим коэффициентом риска. Варианты генов GBA и LRRK2 были связаны с дискинезией, распространенным осложнением болезни Паркинсона, связанным с МФ, что подчеркивает многогранное влияние генетических вариантов, прогрессирования заболевания и тяжести симптомов. Эти результаты подчеркивают ценность включения генетических данных в прогностические модели и демонстрируют, как межкогортный анализ может выявить обобщаемые и клинически значимые предикторы.
Помимо прогнозирования, модели могут помочь в разработке дизайна клинических исследований и ведении пациентов. Они могут способствовать отбору участников на основе оценки риска, уточнять графики последующего наблюдения и поддерживать ранние вмешательства, направленные на замедление развития миелофиброза. В целом, благодаря интеграции различных предикторов в модели, проверенные в разных когортах, это исследование предоставляет количественную и обобщаемую основу для прогнозирования миелофиброза при болезни Паркинсона, которая также может служить шаблоном для изучения других исходов заболеваний и состояний. Последующие исследования должны дополнительно оптимизировать и проверить прогностические модели в более разнообразных когортах, чтобы повысить их ценность при разработке будущих прецизионных клинических исследований.
Читать далее Движение вперед: