Bei 312 initial unbehandelten Patienten mit neu diagnostiziertem Parkinson-Syndrom wurde der Algorithmus für maschinelles Lernen Extreme Gradient Boosting (XGBoost) angewendet. Prospektiv 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
66 der 312 Patienten (12 %) entwickelten eine Depression. Die risikoerhöhenden Faktoren zeigt die Abb. unten links. Unter ihnen erwiesen sich im XGBoost-Modell diese folgenden sechs Faktoren – zwei Parkinson-spezifische und vier unspezifische – als die wichtigsten Depressions- Prädiktoren:
- Patientenalter
- Krankheitsdauer
- GDS-15-Ausgangswert
- Angst (nach dem State-Trait Anxiety Inventory, STAI),
- Symptome der REM-Schlaf-Verhaltensstörung (nach Fragebogen RBDSQ)
- Depressions-Anamnese
Das parallel eingesetzte logistische Regressionsmodell ergab bei einer Area under the Curve (AUC) von 0,89 eine Sensitivität von 0,81 und eine Spezifität von 0,83.
Das XGBoost-Modell war in beiden Parametern überlegen: Bei einer AUC von 0,94 wurde eine Sensitivität von 0,92 bei einer Spezifität von 0,86 erreicht. Pro Einheit des abgeleiteten so benannten „Depression-Age-at-onset-RBDSQGDS- Duration-STAI“(DARGDS)-Scores ergab sich eine um den Faktor 1,7 erhöhte Depressionswahrscheinlichkeit (Odds Ratio: 1,73; p < 0,001). JL