文摘

提出了一种基于线性方程的预测方法研究影响因素下尿路功能障碍的帕金森病。200年10个月随访选择帕金森患者从2020年1月至12月使用线性回归方程来分析是否消耗函数与一个特定的nonmotor功能损失,和线性回归方程用于分析。空虚的损失函数被用来确定是否有并发症较低的运动功能和认知功能。实验结果表明,排尿困难在帕金森病相关的以下无能动性障碍:胃肠功能障碍(或2.52,95%可信区间1.57 - -3.92, ),心血管功能障碍(或2.31,95% CI 1.23 ~ 4.11, ),呼吸功能障碍(或1.72,95% CI 1.32 ~ 3.24, ),皮肤的自主功能障碍(或1.91,95% CI 1.15 ~ 3.08, ),和睡眠障碍(或2.01,95% CI 1.32 ~ 3.14, )。此外,排尿困难与UPDRS-III更高(回归系数1.74,95%可信区间0.56 - -2.67, )。因此,nonmotor障碍已被证明与早期损伤有关。

1。介绍

帕金森病(PD)是一种进行性中枢神经系统退行性疾病;其典型症状是运动功能障碍,主要包括运动发育迟缓,肌肉僵硬,静止震颤,共济失调。很长一段时间,帕金森病的治疗主要是改善电机的症状(1]。大规模的流行病学调查显示,在2019年为206例,304例,2018年和404年的2017箱,PD患者的下尿路功能障碍的发生率高达27.0%至63.9%,主要包括膀胱过动症(OAB)、夜尿症、急迫性尿失禁(UI),和逼尿肌过度活跃2]。此外,有些病人会有轻微的尿路梗阻。下尿路功能涉及多个神经通路的调节,和PD患者的下尿路功能障碍的机制是复杂的;目前的研究认为,这可能是由于基底神经节PD患者的疾病,干扰的功能脑桥的空洞中心。研究表明,大约90%的帕金森患者会有一定程度的语言障碍;因此,它是更方便和有效的直接收集声音通过非接触方法研究,如阵列麦克风,相比与其他诊断方法。这已经引起了很大的关注语音研究帕金森病诊断和治疗程序。随着计算机技术的快速发展,近年来,人们已经应用于许多诊断和治疗程序基于机器学习算法研究帕金森病,为了完全取代临床决策3]。这些诊断和治疗计划主要分为两类:(1)确定用户是否有帕金森症,即实现诊断帕金森病(常见的是基于线性可分的线性支持向量机和非线性支持向量机和非线性可分的数据和应用研究);(2)预测帕金森症患者的严重程度,也就是说,帕金森病的进展跟踪预测UPDRS(统一帕金森病评定量表)4]。

24个月的随访数据显示泌尿功能障碍早期帕金森病的患病率是稳定在50%左右。在这项研究中,患者排尿障碍的最低为47.86% (T1),最高为51.28% (T2);它基本上是与Picillo等的研究结果一致。上述数据显示,排尿障碍可以出现在疾病的早期阶段,基本上保持稳定的疾病进展;这进一步支持帕金森病早期自主排尿困难可能与神经损伤(5]。然而,Senol的统计研究表明,帕金森患者泌尿功能障碍占63.9%。以上数据的差异的原因可能是Picillo等人,这项研究的结果都是帕金森病早期尿路功能障碍的统计;整个自然历史发展和演变的排尿障碍不是覆盖6]。林赛等人的研究表明,帕金森患者泌尿功能障碍有更多nonmotor症状比那些没有泌尿功能障碍(7]。在此基础上,研究了200年10个月随访观察帕金森症患者选择从1月到2020年12月;线性回归方程用于分析泌尿功能障碍是否与特定nonmotor障碍和相关分析泌尿功能障碍是否降低运动功能和认知功能。潜在使用数据分析,以澄清帕金森病早期排尿障碍的标志作用的发展障碍(nondyskinesia和运动障碍)。

2。帕金森病的预测基于GBDT UPDRS

2.1。数据集描述

本文使用远程帕金森在UCI数据集,其中包含42个语音样本与帕金森病;样本来源于连续元音/声音/收集病人一周一次,每次收集6块,持续6个月,共有5875个样本。通过语音信号处理算法、特征提取这些语音样本的总数是16;其中,测量基频的变化的特征如下:抖动(%),抖动绝对值(Abs),相对振幅微扰抖动(RAP), 5期扰动熵抖动(PPQ5)和绝对差的周期和平均周期比率抖动(DDP);测量振幅变化的特征如下:当地闪烁(dB)闪烁(dB),三分振幅微扰熵闪烁(APQ3),潜油电泵振幅微扰熵闪烁(APQ5), 11点振幅微扰熵闪烁(APQ11),平均绝对差的振幅差异相邻周期闪烁(DDA),谐波噪声比(NHR)谐波噪声比(曼),循环周期熵密度(RPDE)趋势波动分析(DFA)和基音周期熵(PPE)。最后,一组样本的 获得(8]。

2.2。数据集划分

电脑可以使用机器学习来构建不同的线性回归方程来解决相同或相似的问题。然而,对于建立良好的线性回归方程,除了依靠合适的算法,计算机的计算能力还需要使用远程数据集数据预处理。帕金森在UCI数据集和使用LS训练预测模型,取得了一定的预测效果。在本文中,两个不同的数据集作为例子,使用普通最小二乘火车回归预测模型,模型3,如图1。考虑样本数据的分布,显然,模型3做出了妥协,以适应对象样本在两个不同的领域;这个模型的实际预测效果不是很满意。回归模型是计算的学习之间的平方误差预测值和所有数据的真正价值,和误差积累,这样积极的差异和消极的差异彼此抵消。这将导致回归预测样本数据集有不同的分布,也就是说,不同的领域,但可以获得相同的模型。数据集分布更为复杂的概念;一般来说,每种类型的样本大小应有利于模型的建立与评价(9]。根据奥卡姆剃刀原则,在选择一个模型,一个非常简单的模型,可以解释已知的数据是最合适的模型10]。分析远程帕金森的数据集,该模型显然是underfitting 3建立在这两个对象,但是如果两个对象分为两个领域的数据根据一定的先验知识,然后原模型分解两个域,然后建立的模型1和模型2的两个域能适合各自领域中的数据,如图1。因此,数据集划分根据对象的性别和年龄,和线性回归方程建立在不同的数据集来实现有效的分解(11]。在实际应用中,用户的声音被收集,并根据用户的年龄和性别,一个合适的模型是通过推荐系统实现用户的UPDRS的预测。原理图所示2。


图1
回归训练模型。

图2
实现的过程。
2.3。迭代的决策树

集成学习可以显著提高学习系统的泛化能力;它从线性回归方程社区受到了人们的广泛关注。GBDT是一个集成学习算法;强大的学习者是由多个弱学习者的结合。由多个决策树算法不断迭代;通过迭代、线性回归和残差的树木都等于或接近0,并最后获得高精度预测模型。

假设最初获得的学习者

其中, 的损失函数模型 。 是样本训练集, 是功能,相应的结果是什么 。

首先,根据当前的数据,损失函数最小化,和最初的损失函数模型。设置迭代次数 ;每次迭代产生一个模型,以最小化损失函数模型的生成在每个迭代中训练集,根据方程(1);在每个迭代中,损失函数是由移动到越来越小的损失函数的负梯度方向,得到更多和更精确的模型。算法迭代的主要步骤如下。

第一步是计算残余 。

使用初始模型 计算负梯度,见方程(2)。损失函数的负梯度是用作当前剩余模型 价值。的平方损失函数,这个值是残余,和一般的损失函数,这个值是估计的剩余价值。

第二步是培训一个线性回归方程和决策树 叶节点组成。

第三步是找到合适的步长。GBDT中使用梯度下降算法,通过计算步长。计算规则是最小化 损失函数 新学习的价值。

第四步,根据梯度和步长,迭代获得回归树模型 ,见以下方程:

通过以上四个步骤,第二个模型 从初始模型可以优化吗 。迭代这四个步骤 次得到最终GBDT模型。

3所示。实验分析

3.1。数据预处理

数据预处理一般包括特征选择和数据清洗等操作。特征选择是指从最初的选择重要的功能的一个子集的特性集,特征选择可以删除冗余或不相关的特征,以达到提高模型的泛化能力的目的。在这篇文章中使用的特征选择算法救援(12]。最早的救援算法被用来解决这个问题的两个分类,算法设计相关统计向量来评估每个特性的重要性,每个组件的向量的评估值的一个初始特征,特征子集的重要性是相关的和统计的特征子集,和这种相关性统计被视为每个特性的重量;也就是说,救济属于特征加权算法。公式如下:

其中, 代表的重量 - - - - - -th特性, 表示随机选择样本的数量, 代表一个数据样本, 代表的数量接近样品类似的样品 , 代表了许多不同类型的样品最接近样品 ,和 代表的距离测量,通常使用欧氏距离、曼哈顿距离。使用减压算法特性重量;功能的重要性进行排序根据重量,和13选择重要的功能。特征选择完成后,数据不能直接用于计算;在许多情况下,一些基本的需要处理的数据(13]。这些基本的处理包括处理缺失值,nondigital特性值的处理,异常值的处理;远程帕金森数据集已经被清理干净。

3.2。统计方法

收集到的数据进行正态分布检验;随后,PD-UD和PD-NUD组织受到的数据 测试中, 测试和单向方差分析(方差分析)根据情况。结果以百分比(%)表示,意思是,和标准偏差(SD) ( )。检查nonmotor功能障碍之间的关系和早期排尿障碍,多元混合效应线性回归方程被用来控制独立变量如年龄和UPDRS-III。检查运动机能之间的关系,认知功能,和早期的排尿功能障碍,多个混合效应线性回归分析,与性别和年龄作为协变量,并进行协方差分析。不都是检测多重共线性。当通货膨胀因素方差小于5时,所有的预测都可以认为是独立的。分析结果表达的优势比(或)和回归系数。该研究使用95%可信区间(CI); 的差异具有统计学意义(14]。

3.3。实验方法

每个病人经历3数据收集:T1(基线值),T2(3个月),和T3(9个月)。在随访期间,如果病人发展其他疾病(如脑梗塞、脑出血和小脑萎缩)可能影响电机、nonmotor功能,和泌尿系统症状,如果很难区分症状,影响数据的准确性,样品将被消除。每个数据收集包括以下:(1)收集样本的排尿障碍。那些有以下症状之一,持续超过3个月可以视为结合排尿障碍:(1)紧迫感,(2)尿频(≥1次/ 2 h),和(3)遗尿症。积极的结果患者分为泌尿功能障碍组(PD-UD),和其他被分为nonurinary障碍组(PD-NUD)。(2)通过面对面的访谈调查以下6 nonmotor障碍:胃肠功能障碍、心血管功能障碍、睡眠障碍、呼吸功能障碍、精神障碍、皮肤损伤。每个NMS包括几个具体问题,答案都是分成两部分(“是”或“不”)。(3)运动机能水平的样品被统一帕金森病评定量表评估3.0 (UPDRS-III)。UPDRS-III得分越高,病人的运动功能水平越低

4所示。实验结果

324年共有204帕金森患者通过了筛选。在九个月的观察期间,4例排除由于新的脑梗塞,和最后的样本数量是200箱15]。在整个观测期间,T147.86%排尿障碍的患病率最低,最高的是T251.28%。数据显示3次,PD-UD组通常是老年男性,和UPDRS-III得分高于PD-NUD组。几乎所有nonmovement障碍的患病率PD-UD组高于PD-NUD组,差异具有统计学意义( )(16]。线性回归分析后,以下无能动性障碍可能与早期的排尿障碍:胃肠功能障碍(或2.52,95%可信区间1.57 - -3.92, ),心血管功能障碍(1.23或2.31,95% CI -4.11, ),睡眠障碍(或2.01,95% CI 1.32 ~ 3.14, ),呼吸功能障碍(或1.72,95% CI 1.32 ~ 3.24, ),和自治皮肤病(或1.91,95%可信区间1.15 - -3.08, )。图3显示了一个比较PD-NUD之间的程度的运动机能和PD-UD观察期间。三组数据,T1和T2显示无统计差异在精神疾病和泌尿系统疾病之间的关系。多元线性回归分析表明,与PD-NUD相比,早期的排尿障碍与UPDRS-III更高(回归系数1.74,95%可信区间0.56 - -2.67, )(17]。


图3
比较PD-NUD之间的程度的运动机能和PD-UD观察期间。

图4比较PD-NUD的认知功能和PD-UD在观察期间,它可以清楚地看到从图3减少运动机能水平的9个月内PD-UD组更重要。国内最近的一项研究表明,治疗帕金森病膀胱过动症症状评分(OABSS分数)呈正相关,UP-DRS-III分数和亢奋的刚性得分。研究还表明,运动障碍的程度和使用左旋多巴在帕金森患者泌尿功能障碍显著增加后24个月。与上面的结论一致,该研究还证实了早期的排尿障碍之间的联系和低水平的运动机能18]。研究还表明,早期的排尿障碍有关以下nondyskinesias通过线性回归方程分析,包括胃肠道功能障碍(或2.52,95% CI 1.57 ~ 3.92, ),心血管功能障碍(或2.31,95% CI 1.23 ~ 4.11, ),呼吸功能障碍(或1.72,95% CI 1.32 ~ 3.24, ),自主皮肤疾病(或1.91,95% CI 1.15 ~ 3.08, ),和睡眠障碍(或2.01,95% CI 1.32 ~ 3.14, )。其中,胃肠功能障碍、心血管功能障碍,皮肤损伤和排尿障碍都是自主神经功能障碍。研究表明,尿干扰和睡眠障碍的原因可能与脑干病变在疾病的早期阶段19]。从图可以看出4的分数PD-UD组下降更重要的是比PD-NUD组9个月内,和线性回归分析还显示排尿困难(回归系数-0.21,95% CI -0.87 ~ 0.22, ),研究结论不一致(回归系数-0.34,95% CI -0.92 ~ 0.24, ),两者之间没有统计学差异。因此,早期帕金森泌尿功能障碍和认知功能之间的相关性水平仍然需要高层次的研究继续20.]。


图4
比较PD-NUD的认知功能和PD-UD观察期间。

5。结论

研究表明,尿路功能障碍的帕金森病可以作为早期临床指标的运动障碍和nondyskinesia的进展。实验结果表明,最终的预测效果比普通的决策树的一半;同时,它已被进一步证实,帕金森病是极大地受到年龄和性别的影响。性别和年龄属于先验知识;使用这些类型的先验知识分解预测模型不仅简单、高效,也有一定的实际指导意义。当然,除了性别外,还有许多其他类型的先验知识,如病人的健康状况,胃肠功能丧失,心血管功能障碍、皮肤损伤、睡眠障碍。这些与自主神经功能丧失,这在一定程度上支持的分类nonmotor帕金森病的症状。功能分类。足够的帕金森病的分类,特别是综合评估系统包括电动机和nonmotor功能,是必要的。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。