Predire la risposta al trattamento nell'idrocefalo normoteso: applicazione di modelli di machine learning

Abstract

Predire la risposta al trattamento nell’idrocefalo normoteso: applicazione di modelli di machine learning La diagnosi di idrocefalo normoteso (iNPH) è complessa e si basa su un’integrazione di elementi clinici, radiologici e di risposta alla derivazione liquorale. L’applicazione di modelli di machine learning (ML) potrebbe offrire un supporto oggettivo e data-driven alla predizione della risposta clinica alla derivazione liquorale prolungata (ELD). Si è esplorato il potenziale predittivo dei test neuropsicologici Mini-Mental State Examination e Montreal Cognitive Assessment relazionati alla risposta al Timed Up and Go, attraverso modelli ML in un campione di pazienti con sospetto iNPH. Materiali e Metodi 63 pazienti sono stati sottoposti ai test sopracitati eseguiti al baseline (T0) e post ELD (T2), con i rispettivi punteggi. I pazienti sono stati classificati come “responder” o “non responder” in base alla variazione del tempo impiegato al TUG post-ELD. Per valutare la capacità predittiva dei test sono stati usati 3 approcci di ML: k-means clustering, Random Forest e regressione logistica. Risultati L’applicazione dei modelli di ML ha restituito risultati in miglioramento al variare del test applicato, mostrando però una capacità predittiva limitata e una distinzione parziale tra RSP e nRSP; tra i modelli usati la random forest è stata superiore e l’analisi dell’importanza delle variabili, ottenuta con la stessa analisi ha indicato che alcuni subset cognitivi contribuiscono significativamente meno di altri. I risultati sono da considerarsi incoraggianti, ma limitati dalla numerosità del campione, che ha inficiato anche la significatività dei risultati. Conclusioni I modelli di ML sono strumenti promettenti nella predizione della risposta alla derivazione liquorale prolungata. I risultati suggeriscono che l’integrazione con altri dati potrebbe migliorare ulteriormente l’accuratezza predittiva. Saranno necessari studi su campioni più ampi per validare tale aspetto.

Predicting Treatment Response in Normal Pressure Hydrocephalus: Application of Machine Learning Models The diagnosis of idiopathic normal pressure hydrocephalus (iNPH) is complex and relies on the integration of clinical, radiological, and cerebrospinal fluid (CSF) shunt response elements. The application of machine learning (ML) models could provide objective, data-driven support for predicting the clinical response to prolonged external lumbar drainage (ELD). This study explored the predictive potential of the neuropsychological Mini-Mental State Examination (MMSE) and Montreal Cognitive Assessment (MoCA) tests in relation to the response to the Timed Up and Go (TUG) test using ML models in a sample of patients with suspected iNPH. Materials and Methods Sixty-three patients underwent the afore mentioned tests at baseline (T0) and after ELD (T2), with respective scores recorded. Patients were classified as “responders” or “non-responders” based on changes in TUG time post-ELD. Three ML approaches were employed to evaluate the predictive ability of the tests: k-means clustering, Random Forest, and logistic regression. Results The application of ML models yielded varying levels of predictive accuracy depending on the test applied. Although predictive ability was generally limited, Random Forest demonstrated superior performance. Analysis of variable importance within the Random Forest model revealed that some cognitive subsets contributed significantly less than others. The results, while encouraging, were constrained by the limited sample size, which impacted the statistical significance of the findings. Conclusions ML models represent promising tools for predicting responses to prolonged CSF drainage. The findings suggest that integrating additional data sources could enhance predictive accuracy. Larger sample sizes will be required in future studies to validate these results.