Für die Prognose im Einzelfall und auch für die Stratifizierung in klinischen Studien wäre es sinnvoll, Patienten mit einem hohen Depressionsrisiko schon zu Beginn der Erkrankung zuverlässig zu identifizieren. Dies gelang nun anhand von Vorhersagemodellen, die auf künstlicher Intelligenz (KI) beruhen.
Bei 312 initial unbehandelten Patienten mit neu diagnostiziertem Parkinson-Syndrom wurde der Algorithmus für maschinelles Lernen Extreme Gradient Boosting (XGBoost) angewendet. Untersucht wurde die Vorhersage einer klinisch relevanten Depression (≥ 5 Punkte auf der Geriatric Depression Scale [GDS-15]) in den nächsten zwei Jahren
.
Sechs wichtige Prädiktoren
Das XGBoost-Modell (und auch das logistische Regressionsmodell) erzielte eine gute Unterscheidung zwischen Patienten, die in den kommenden zwei Jahren eine Depression entwickelten oder nicht. Unter allen relevanten Faktoren (s. Abb.) erwiesen sich als die wichtigsten sechs Prädiktoren: Patientenalter, Krankheitsdauer, GDS-15-Ausgangswert, Angst (State Trait Anxiety Inventory, STAI), Symptome der REM-Schlaf-Verhaltensstörung (RBDSQ) und eine Depressions-Anamnese.
Lesen Sie den ganzen Artikel