帕金森病是异质性的，诊断依赖于临床医生的评估，具有相应的主观性和随之而来的高误诊率。此外，在个人基础上预测疾病进展是有限的，这导致个性化治疗策略缺乏。因此，PD进展的客观生物标志物是至关重要的，但必须在临床部署前进行验证。

澳大利亚阿德莱德大学生物医学学院Angus McNamara评估了各种临床、神经影像学和病理标志物指标在预测早期帕金森病运动结果进展直至5年随访中的效用。

数据取自帕金森氏进展标记物倡议。作为黑质（SN）完整性的替代标志，T2加权MRI扫描的手动模板被用于描绘SN附近的低信号区域。在5年的随访中，在统一帕金森病评定量表（UPDRS）运动结果上进行了增强的分层聚类。通过逻辑回归和比较各种分类器的分层交叉验证机器学习流水线，开发了预测聚类隶属度的模型。通过比较两种模型来评估多模式评估的效用：1）仅将基线运动评估作为预测因素；和2）在基线时结合额外指标，包括前驱评估（睡眠、嗅觉和自主功能）、神经成像（SN体积、纹状体DaT结合）和体液（CSFα-syn、p-tau、a-β和血清IGF-1）标志物。

该研究确定了两个聚类，与第一个聚类（n=221）相比，第二个聚类（n=79）在5年随访中表现出更高的刚性、更低的DaT结合、更差的认知和运动结果以及更高的情绪功能障碍，第一个聚类显示出震颤优势。Logistic回归确定刚性优势簇的资格是通过生活的运动方面更困难、自动功能障碍和p-tau，以及较低的嗅觉和αsyn来预测：预测了49.1%的方差（n=111）。这明显高于忽略额外指标的模型（P＜0.001），后者仅占方差的27.4%。这得到了机器学习的支持，其中包括额外指标评估，分类准确率为72%，而忽略额外指标模型为65%。

使用多模式策略在预测5年结果方面取得了显著改善，这表明前驱、病理和影像学标志物的组合可以与当前的临床评估结合使用，以改善诊断和预后。

原文出处

Predicting progression of Parkinson’s disease motor outcomes using a multimodal combination of baseline clinical measures, neuroimaging and biofluid markers.