Sexuaren eragina Parkinsonen gaixotasunaren lehenengo faseetan, adierazpen ez-motorretan eta ikasketa automatikoan oinarrituta

Abstract

Argitalpen klinikoen arabera, Parkinsonen gaixotasunaren (PG) sintoma ez-motorrek sexuen araberako bilakaeradesberdinak dituzte, baina ez dugu topatu ikasketa automatikoan oinarritutako lanik gaixotasunaren lehen faseetaneraginik ote dagoen aztertzen duenik. Ikerketa honetan, sexuak duen eragina aztertu da PGa duten pazienteaketa kontrolak sintoma ez-motorrak erabiliz ikasketa automatikoko algoritmoen bidez sailkatzean. Horretarako,PPMI datu-basea eta ikasketa automatikoko hiru algoritmo erabili dira (XGBoost, MLP eta SVM) % 80tik gorakoasmatze-tasa lortuz. Ondoren, SHAP balioak erabiliz, hauxe ondorioztatu da: sailkapenean sexuak eragin txikiadu. Azkenik, paziente motaren informazioaz baliatuz, sexua sailkatzeko saiakera egin da. Emaitzek erakustendute erabili dugun datu-basean sintoma ez-motorrak ez direla nabarmenki aldatzen sexuaren arabera.

According to clinical publications, non-motor symptoms of Parkinson’s disease (PD) present unequal evolutionsfor different sexes, but we did not find works based on machine learning that analyze whether it can affect the earlystages of the disease. In this study we have analyzed the influence of sex on the classification of patients with PDand controls using machine learning algorithms with non-motor symptoms. For this purpose, the PPMI databaseand three machine learning algorithms (XGBoost, MLP and SVM) were used, achieving an accuracy rate of over80%. Then, using SHAP values, it was concluded that sex has little influence on classification. Finally, an attempthas been made to classify sex from the patient type information. The results show that in the database we haveused, non-motor symptoms do not vary significantly according to sex.