可解释机器学习揭示预测帕金森病新发运动并发症所面临的挑战

《npj Parkinson's Disease》：Explainable machine learning reveals the challenges of predicting new-onset motor complications in Parkinson’s disease

　　

摘要

预测新发运动波动和左旋多巴诱导的异动症（LID）对于优化帕金森病管理至关重要。为建立透明的预后框架，我们将可解释机器学习方法应用于来自247例患者的真实世界、多中心临床数据，以预测这些并发症在3年内的发作情况。严格仅在无并发症患者中进行评估，模型表现出中等预测能力（LID的MCC = 0.28；运动波动的MCC = 0.32）。基于SHAP的可解释性分析证实，预测结果与已确立的临床知识高度一致，主要受左旋多巴使用时长和左旋多巴等效日剂量（LED）驱动，当剂量超过300–400 mg阈值时，风险显著增加。尤为重要的是，一项消融研究表明，在训练过程中排除已有并发症的患者会导致模型敏感性急剧下降，证明疾病严重程度的完整谱对于稳健的风险分层至关重要。最终，这一严格的方法学压力测试表明，仅凭基线临床特征所能获得的绝对敏感性有限，凸显了整合动态纵向数据以实现临床级个体化预测的必要性。