Für die Diagnostik kognitiver Beeinträchtigungen von Parkinson-Patienten (PD-CI) werden verschiedene Cut-off-Werte vorgeschlagen, die eine unterschiedliche Sensitivität und Spezifität aufweisen. Jetzt wurde geprüft, wie genau die PD-CI-Diagnose mittels dieser traditionellen Cut-off- Methode im Vergleich zu einer Analyse mittels Machine Learning ist.
Basis waren 221 MoCA-Resultare von 101 Patienten mit und 1.848 MoCA-Ergebnisse von 370 Patienten ohne PD-CI, die mittels umfassender neuropsychologischer Testung (COGCAT) überprüft worden waren. Die Betroffenen waren älter, häufiger weiblich, länger und schwerer erkrankt. Ihr MoCA-Score betrug 21,33 Punkte (vs. 27,26 in der Gruppe ohne PD-CI; p < 0.001). Anhand dieses Datensatzes wurde die Diskriminanz-Validität der Cut-off-Methode mit der des maschinellen Lernens (logistische Regression [LR], Support Vector Machine [SVM] oder Random Forest [RF]) verglichen.
Vorteile durch die ML-Methode
Basierend auf der kognitiven Klassifizierung von je 221 MoCA-Ergebnissen beider Gruppen ergab die Cut-off-Wert-Methode (Grenzwert: 26 MoCA-Punkte) eine Genauigkeit der PD-CI-Diagnose von 74 % (Sensitivität: 71 %, Spezifität 78 %) Dies war nicht signifikant unterschiedlich vom Ergebnis der Analyse mit maschinellem Lernen (ML) von 78 % (Sens.: 72 %, Spez.: 84 %).
Bei der Verwendung eines strenger selektierten Datensatzes (mit Ausschluss von 101 MoCA-Ergebnissen pro Gruppe) wurde die Genauigkeit der Cut-off-Methode signifikant auf 66 % reduziert (Sens.: 61 %, Spez.: 71 %), nicht jedoch die Genauigkeit des ML, die weiterhin 74 % (Sens.: 70 %, Spez.: 78 %) betrug.
Durch die zusätzliche Einbeziehung kognitiver Beschwerden der Patienten konnte die Genauigkeit der PD-CI-Diagnose in beiden ML-Modelle noch einmal auf 87 % bzw. 89 % erhöht werden. HL