背景 帕金森病(PD)的诊断主要以临床症状为主,缺乏正确诊断的客观方法.目前已有关于视网膜结构改变作为PD早期诊断的生物标志的研究,但基于视网膜结构改变的机器学习对预测早期PD的研究尚少.目的基于视网膜结构改变的特征构建机器学习模型,探索其在早期PD诊断中的预测价值,及探讨不同机器学习算法对PD早期诊断的准确性.方法 选取 2021 年 10 月—2022 年 9 月在河南省人民医院神经内科门诊就诊和住院治疗的年龄 40～70 岁的PD患者 49 例(PD组),并选取来医院体检的年龄及性别相匹配的 39 名健康者(健康对照组)为研究对象.所有研究对象行扫频源光学相关断层扫描和扫频源光学相干断层扫描血流成像检查,并定量分析黄斑区视网膜的厚度和血管密度.将 88 例受试者按 7∶3 的比例随机分为训练集 62 例和验证集 26 例,选择PD组与健康对照组差异有统计学意义的变量作为纳入机器学习模型的特征变量,并在训练集中分别构建Logistic 回归(LR)、K-近邻算法(KNN)、决策树(DT)、随机森林(RF)和极端梯度提升(XGboost)模型.采用受试者工作特征(ROC)曲线下面积(AUC)、准确度、灵敏度和特异度评价基于视网膜改变的机器学习模型对早期PD诊断的预测价值.结果 与健康对照组相比,PD组患者浅层毛细血管的上方外圈(A6)、颞侧外圈(A7)
作者：梁可可；郭庆歌；李晓欢；马建军；杨红旗；石小雪；范咏言；杨大伟；郭大帅；董琳瑞；古祺；李东升
来源：中国全科医学 2024 年 27卷 9期
