Frühe Parkinson-Krankheit

Neuro-Depesche 10/2020

KI hilft bei der Prognose einer Depression

Zertifizierte Fortbildung
Für die Voraussage im Einzelfall – und auch für die Patienten-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. 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
 

 

Fazit
Depressionen gehören zu den häufigsten nicht-motorischen Symptomen des Parkinson-Syndroms und tragen unter allen klinischen und Patientenmerkmalen am stärksten zur Lebensqualitätsminderung der Patienten bei. In dieser Studie konnten wichtige Faktoren der Früherkennung identifiziert und ein Faktorenscore entwickelt werden. Einschränkungen, räumen die Autoren ein, bestünden im Fehlen wichtiger soziodemografischer und klinischer Variablen (z. B. Antidepressiva- Einnahme). Nachdem KI-Modelle in der Regel auf riesigen Datensätzen basieren, erscheint die hier mittels maschinellen Lernens analysierte Kohorte relativ klein.


Hinweis: Dieser Artikel ist Teil einer CME-Fortbildung.

Quelle: Gu SC et al.: Personalized prediction of depression in patients with newly diagnosed Parkinson‘s disease: A prospective cohort study. J Affect Disord 2020; 268: 118-26
ICD-Codes: G20

Alle im Rahmen dieses Internet-Angebots veröffentlichten Artikel sind urheberrechtlich geschützt. Alle Rechte, auch Übersetzungen und Zweitveröffentlichungen, vorbehalten. Jegliche Vervielfältigung, Verlinkung oder Weiterverbreitung in jedem Medium als Ganzes oder in Teilen bedarf der schriftlichen Zustimmung des Verlags.

x