Jurnal Internasional Memprediksi diagnosis penyakit Parkinson: Algoritma risiko berdasarkan presentasi perawatan primer – Schrag – – Gangguan Gerakan

Download Jurnal Disini

Diagnosis penyakit Parkinson (PD) dibuat ketika fitur klasik kelambatan dikombinasikan dengan fitur lain seperti kekakuan, tremor, dan ketidakstabilan postur hadir. 1 Namun, gejala klinis mengarah ke presentasi pada primer perawatan biasanya terjadi beberapa tahun sebelum diagnosis dibuat. 28 Presentasi ini memberikan peluang untuk mengidentifikasi mereka yang berisiko lebih tinggi terhadap diagnosis PD, memungkinkan diagnosis sebelumnya dengan pengobatan yang lebih efektif untuk meningkatkan kualitas hidup 9 serta pendaftaran ke uji klinis dengan obat neuroprotektif potensial. Sejumlah pendekatan yang menggunakan fitur risiko prediagnostik individu atau gabungan untuk mengidentifikasi individu berisiko lebih tinggi telah diusulkan, tetapi ini dibatasi oleh ketersediaan sumber daya (misalnya, penyelidikan seperti sonografi transkranial) atau kelangkaan risiko atau fitur prediagnostik (misalnya, keberadaan gangguan perilaku tidur mata yang cepat atau faktor risiko genetik). 1011 Selain itu, semua pendekatan ini memerlukan skrining aktif untuk fitur risiko dan prediagnostik. Kriteria Penelitian Gangguan Masyarakat Gerakan untuk PD prodromal menggabungkan rasio kemungkinan yang diterbitkan risiko yang tersedia dan faktor penyajian dan investigasi yang lebih spesifik seperti pencitraan dopamin transporter (DAT). 12 Namun, ini berasal dari beberapa individu studi dan dirancang untuk penyaringan aktif populasi; alat prediksi untuk mengidentifikasi mereka yang berada dalam fase prodromal PD dari presentasi perawatan primer masih kurang. Kami di sini melaporkan pengembangan model risiko untuk (1) mengidentifikasi pasien dengan kemungkinan PD prediagnostik untuk berpartisipasi dalam penelitian di masa depan dan (2) membantu dalam pengakuan awal PD sebagai penyebab gejala yang dialami pasien dalam perawatan primer.
         

Metode

Desain Studi dan Sumber Data

Kami menggunakan data dari studi kasus-kontrol sebelumnya yang mengidentifikasi fitur prediagnostik dari PD yang terjadi secara signifikan lebih sering pada pasien dengan diagnosis PD lebih lambat daripada pada kontrol yang cocok. [19659015] 3 Singkatnya, data berasal dari basis data perawatan primer besar di Inggris, The Health Improvement Network, yang menyimpan catatan medis longitudinal pseudanonimisasi untuk lebih dari 11 juta orang yang terdaftar dengan lebih dari 500 praktik umum di Inggris. . Informasi tentang gejala, diagnosis, intervensi, dan rujukan ke perawatan sekunder dicatat secara elektronik sebagai kode baca, sistem pengkodean hierarkis yang digunakan dalam perawatan primer Inggris, yang memetakan ke Klasifikasi Penyakit Internasional, kode Revisi ke-10. 13 Data Jaringan Peningkatan Kesehatan mewakili populasi praktik umum Inggris dalam hal demografi dan frekuensi serta jenis konsultasi yang diminta oleh pasien, dan diagnosis dengan kode elektronik telah terbukti akurat. 14 Data Jaringan Peningkatan Kesehatan skema pengumpulan telah disetujui oleh komite etika penelitian multisenter Layanan Kesehatan Nasional Tenggara Inggris, dan komite peninjau ilmiah menyetujui penelitian ini.
            

Populasi Penelitian

Kami mengidentifikasi semua individu yang memiliki diagnosis kode baca PD dan setidaknya 2 resep obat antiparkinson. Metode yang serupa untuk identifikasi orang dengan PD telah divalidasi dalam database perawatan primer besar lainnya di Inggris. 15 Kode baca diagnostik untuk PD diidentifikasi menggunakan metode yang dipublikasikan (Lampiran). 16 [19659003] Tanggal awal diagnosis kode Baca atau resep obat antiparkinson diambil sebagai tanggal indeks. Orang-orang dengan diagnosis PD sebelum usia 50 tahun dikeluarkan, seperti orang-orang dengan parkinsonisme sekunder, demensia sebelum diagnosis PD, parkinsonisme yang diinduksi obat, atau skizofrenia (karena orang-orang ini cenderung memiliki paparan substansial terhadap obat antagonis dopamin) . Enam kali lebih banyak kontrol dibandingkan kasus dengan distribusi usia, jenis kelamin, dan periode registrasi yang serupa pada tanggal konsultasi praktik umum (tanggal indeks) dipilih secara acak (pencocokan frekuensi) menggunakan rutin pengambilan sampel acak. Individu dimasukkan hanya jika mereka memiliki setidaknya 1 tahun data sebelum tanggal indeks. Kriteria inklusi ini memastikan bahwa individu memiliki setidaknya 1 tahun antara pendaftaran dengan praktik GP dan diagnosis PD, yang membatasi kemungkinan inklusi pasien dengan PD yang didiagnosis sebelumnya tetapi pertama-tama dicatat oleh dokter baru selama periode pendaftaran pasien. 17

Ekstraksi Data

Gejala awalnya termasuk dalam analisis adalah presentasi pertama dari onset lambat (> 50 tahun) kecemasan dan depresi, kelelahan, apatis, insomnia, gangguan keseimbangan, pusing, hipotensi, anosmia, hipersalivasi, konstipasi, disfungsi urin, disfungsi ereksi, masalah memori, nyeri leher atau kekakuan, nyeri atau kekakuan bahu, kekakuan, tremor, dan penurunan kognitif. Semua gejala didefinisikan menggunakan daftar kode baca. 16 Selain itu, kami menggunakan resep untuk anxiolytics, antidepresan, obat untuk sembelit, dan hipnotik dan obat untuk disfungsi ereksi untuk mengidentifikasi gejala kecemasan, depresi, konstipasi, insomnia, dan disfungsi ereksi, masing-masing. Untuk variabel kecemasan dan depresi dengan onset> 50 tahun, mereka yang memiliki catatan kecemasan atau depresi sebelum usia 50 tahun diperlakukan sebagai orang hilang. Karena gejala yang dikode segera setelah pendaftaran dengan GP berpotensi mewakili masalah kesehatan yang lazim dan bukan baru, periode pengecualian adalah 1 tahun setelah pendaftaran GP untuk kecemasan atau depresi dan 6 bulan untuk semua gejala lainnya.
            

Analisis

Kami membatasi analisis pada presentasi pertama dalam 5 tahun setelah diagnosis PD atau tanggal indeks pada kontrol. Kami menghitung persentase pasien dengan setiap presentasi pada pasien dan kontrol. Untuk memungkinkan perbandingan dengan data yang dipublikasikan sebelumnya tentang risiko yang terkait dengan fitur prodromal yang diperiksa, 12 kami juga menghitung sensitivitas, spesifisitas, rasio kemungkinan positif dan negatif, nilai prediksi positif (PPV), dan nilai prediksi negatif untuk setiap presentasi , dan merokok (saat ini, exsmoker, atau tidak pernah) dan konsumsi alkohol (saat ini, bekas, atau tidak pernah). PPV dihitung menggunakan teorema Bayes, 18 di mana peluang penyakit posterior = odds sebelumnya × rasio kemungkinan. Untuk peluang sebelumnya, kami menggunakan tingkat prevalensi PD untuk yang lebih tua dari usia 50 tahun 1.400 per 100.000. 19 Selain itu, kami menghitung PPV untuk semua kombinasi 2-gejala dari 2 presentasi gejala yang signifikan secara individual.
            

Regresi logistik univariat digunakan untuk menguji perbedaan antara kasus dan kontrol dalam setiap presentasi prediagnostik serta dalam status merokok dan konsumsi alkohol (karena mereka diketahui memiliki hubungan negatif dengan risiko PD), disesuaikan untuk kelompok usia, jenis kelamin. , dan tanggal indeks.

Pengembangan Model Risiko

Kami kemudian memisahkan dataset menjadi sampel pengembangan dan validasi menggunakan sampel individu secara acak, masing-masing terdiri dari 70% dan 30% dari dataset asli. Dengan menggunakan sampel pengembangan, gejala yang secara independen terkait dengan diagnosis PD dengan nilai P <.1 dimasukkan ke dalam analisis regresi logistik multivariat mundur dengan diagnosis PD sebagai variabel dependen dengan penghapusan P = .05. Kami menggabungkan variabel kecemasan dan depresi dengan onset> 50 tahun (ada jika salah satu untuk pertama kalinya terjadi setelah usia 50 tahun) karena gejala ini sering komorbid 12 dan karenanya tidak independen. Kami kemudian menerapkan model akhir pada sampel validasi dan membandingkan kinerja dalam pengembangan dan sampel validasi. Karena penelitian ini adalah studi kasus-kontrol, estimasi intersep terlalu tinggi dan mengarah ke perkiraan yang terlalu tinggi dari risiko aktual PD dalam populasi. Oleh karena itu, penyadapan terkoreksi dihitung untuk setiap kelompok umur / kombinasi gender (lihat Kotak 1) sehingga risiko rata-rata yang diprediksi oleh model mencerminkan prevalensi usia dan jenis kelamin spesifik PD 20 [19659003] (Tabel S3). Kemampuan diskriminatif dari model akhir dikuantifikasi melalui area di bawah kurva karakteristik operasi penerima dengan sensitivitas dan spesifisitas. 21 Kalibrasi dinilai dengan grafis membandingkan nilai-nilai yang diamati dan diprediksi dalam kelompok desil risiko yang diprediksi. (Nilai yang sama yang digunakan untuk tes Hosmer-Lemeshow; nilai P tidak dilaporkan karena tes ini cenderung menghasilkan hasil yang signifikan dalam sampel besar, bahkan ketika nilai yang diamati dan diprediksi sangat dekat. 22) Kalibrasi model juga dinilai menggunakan kemiringan kalibrasi. 23 Semua analisis dilakukan menggunakan Stata (versi 14; StataCorp, College Station, Texas).
            

KOTAK 1.
               

Model risiko yang dibangun untuk menghitung risiko yang diperkirakan dari PD adalah sebagai berikut:
                     

 guci: x-wiley: 08853185: media: mds27616: mds27616-math-0001

di mana ] Pasien skor risiko = b1 × I (Tremor) + b2 × I (Konstipasi) + b3 × I (Depresi dan / atau Kecemasan) + b4 × I (Kelelahan) + b5 × I (Pusing ) + b6 × I (Disfungsi Urin) + b7 × I (Masalah Keseimbangan) + b8 × I (Masalah Memori) + b9 × I (Hipotensi) + b10 × I (Kekakuan) + b11] × I (Penurunan Kognitif) + b12 × I (Hipersalivasi) + b13 × I (Exsmoker) + b14 × I (Perokok Saat Ini) + b15 × I (usia = 50 dan pria ) + b16 × I (usia = 60 dan laki-laki) + b17 × I (usia = 70 dan pria) + b] 18 × I (usia = 80 dan laki-laki) + b19 × I (usia = 90 dan laki-laki) + b20 × I ( usia = 50 dan perempuan) + b21 × I (usia = 60 dan perempuan) + b22 × I (usia = 70 dan perempuan) + [19659059] b23 × I (usia = 80 dan perempuan) + b24 × I (usia = 90 dan perempuan)
                  
                  
                  

Menggunakan contoh untuk model akhir, seorang pria berusia 70 tahun yang mengalami sembelit, tremor, depresi, kecemasan, dan disfungsi urin memiliki risiko penyakit Parkinson yang diprediksi 67% (61% -72%). Berdasarkan Tabel 2 dan Tabel Informasi Pendukung S 3skor risiko pasien = 0,50 + 4,58 + 0,43 + 0,52-55,32 = 0,71.
                  

Risiko pasien PD = 1 / (1 + exp (−0,71)) = 0,67 atau 67%.

Tabel 1.
            
Karakteristik pasien dengan penyakit dan kontrol Parkinson
               
KarakteristikPenyakit Parkinson, n = 8.166Kontrol, n = 46.755
Jenis Kelamin, n (%)
Pria4.859 (59.5)27.648 (595) ] Wanita3.307 (40,5)19.071 (40,79)
Usia pada tanggal indeks, pita umur 10 tahun, n (%)
50–60649 (7.95)3.740 (8.00)
60-701.855 (22,72)10.986 (23,50)
70-803,437 (42.09)20,324 (43,47)2.039 (24.97)11.113 (23.77)
90+186 (2.28)892 (1.72)
Tahun tindak lanjut, rata-rata (SD)4.1 (1.27)4.0 (1.33)
Status merokok, n (%)
Tidak pernah4.396 (53.83)20.589 (44.04)
Masa lalu2.076 (25.42) [19659133] 12.196 (26.08)
Sekarang711 (8.71)7.594 (16.24)
Data hilang983 (12.04)6.376 (13.64) [1965913] konsumsi (%) [19659132] Tidak pernah1.042 (12,76)5.751 (12.30)
Masa lalu371 (4,54)1.743 (3.73)
Sekarang5.240 (64.17) 19.229] (62.49)
Data yang hilang1.513 (18,53)10.044 (21,48)

Hasil

Hasil

Total 8.166 individu dengan PD dan 46.755 kontrol dimasukkan dalam penelitian ini (Tabel 1). 3 Gambar 1 menunjukkan frekuensi potensi fitur prediagnostik pada kelompok PD bila dibandingkan dengan kelompok kontrol dalam 5 tahun sebelum diagnosis. Gejala prediagnostik paling umum dari PD dalam 5 tahun sebelum diagnosis adalah tremor, dengan 41% individu melaporkan gejala ke GP mereka dibandingkan dengan kurang dari 1% dari kontrol. Konstipasi terjadi pada 37% berbanding 23% pada kontrol, depresi pada 18% berbanding 10%, kelelahan pada 15% berbanding 8%, pusing pada 14% berbanding 9%, kecemasan pada 12% berbanding 7%, dan kekakuan bahu atau nyeri pada 12 % versus 9%. Dalam regresi logistik univariat, semua presentasi kecuali apatis dan nyeri leher / kekakuan memiliki hubungan yang signifikan dengan diagnosis PD pada tingkat signifikansi P <0,05 (Tabel Informasi Pendukung S1). Sensitivitas, spesifisitas, rasio kemungkinan positif dan negatif, dan nilai-nilai prediktif positif dan negatif dari setiap presentasi individu diberikan dalam Tabel Informasi Pendukung S2.
         

Tabel 2.
            
Analisis regresi logistik multivariabel untuk asosiasi presentasi gejala dan faktor risiko dengan diagnosis penyakit Parkinson, disesuaikan dengan kelompok usia dan jenis kelamin dalam sampel pengembangan
            
Presentasi / Faktor risikoKoefisien regresi nilai P
                        
95% CIATAU95% CI
Mencegah−2.47 <. 001−2,54 ke −2.41
Tremor [1965] 19659 <.0014,41 hingga 4,7497,2182,55 hingga 114,49
Konstipasi0,50 <. 0010,41 hingga 0,581.64 [1,65] 19659204] Depresi dan / atau kecemasan0,43 <. 0010,32 menjadi 0,531,531,38 hingga 1,69Kelelahan0,38 <38. 0,25 hingga 0,511,461,28 hingga 1,67
Pusing0,15.0250,02 hingga 0,291,171,171,02 hingga 1,1930 0,52 <. 0010,34 hingga 0,701,681,40 hingga 2,00
Masalah keseimbangan1,391. 0011,17 hingga 1,651951965 ] 3,22 hingga 5,04
Masalah memori0,34.0180,06 hingga 0,631,411. 06 hingga 1.87
Hipotensi0,46.0010,18 menjadi 0,741,19 hingga 2,101,19 hingga 2,10Kekakuan2.49 <49. menjadi 2,8812.108,22 hingga 17,83
Penurunan kognitif1,00.0010,39 hingga 1,612.721,48 hingga 5,01
<. 0011.08 hingga 2.917.352.95 hingga 18.28
Status merokok
Tidak pernah
0
0 <. 001119659195] −0.33−0.42 hingga −0.240.720.66 ke 0.78Sekarang−0.86−0.98 menjadi to0.719 [19659[19659] 19659285] 95% CI, interval kepercayaan 95%.

 image

Persentase presentasi gejala individu pada kontrol dan pasien PD.

Pengembangan Model

Dalam pengembangan sampel berikut analisis multivariat, berikut prese ntasi tetap merupakan prediktor signifikan diagnosis PD: tremor, hipersalivasi, kekakuan, masalah memori, disfungsi urin, kelelahan, hipotensi, pusing, sembelit, penurunan kognitif, masalah keseimbangan, depresi dan / atau kecemasan, dan status merokok (Tabel 2). Insomnia, anosmia, dan nyeri bahu tidak lagi berhubungan secara bermakna dengan diagnosis PD selanjutnya dalam analisis multivariat. Untuk konstruksi model, Tabel Informasi Pendukung S3 menunjukkan faktor-faktor yang harus dikurangkan dalam model risiko untuk disesuaikan dengan usia dan jenis kelamin pasien. Dalam model akhir area di bawah kurva (AUC) adalah 0,80 (interval kepercayaan 95% [CI] 0,78-0,81; Gbr. 2). Validasi model dalam sampel validasi menunjukkan AUC yang sama sebesar 0,80 (95% CI 0,78-0,81; P = 0,69). Kemiringan kalibrasi mendekati 1 pada sampel validasi, menunjukkan kalibrasi yang baik (Informasi Pendukung Gambar S1).
            

 image

Kurva karakteristik operasi penerima untuk prediksi PD untuk model dengan semua presentasi gejala prediagnostik signifikan secara statistik dari PD, status merokok, jenis kelamin, dan kelompok usia dalam pengembangan dan validasi dataset.

Karena tremor memiliki nilai prediktif yang sangat tinggi, kami juga mengulangi analisis tanpa dimasukkannya tremor (Informasi pendukung Tabel 4 dan 5 dan Gambar 2 dan 3). Ini menunjukkan hasil yang serupa untuk variabel lain, walaupun dengan AUC lebih rendah 0,66 (95% CI 0,65-0,67).

Tabel 3.
            
Klasifikasi risiko menggunakan algoritme risiko penyakit Parkinson untuk semua faktor dalam model akhir
               
Dipotong karena risiko tinggi,%Sensitivitas (95% CI)Spesifisitas (95% CI)PPV (95% CI)NPV (95% CI)
1

55,86

(54,63-57,07)

                           

91,98

(91.70-92.26)

                           

9.00

(8.67-9.95)

                           

99,32

(99,30-99,34)

                           

5

43.48

(42.26-44.70)

                           

98,94

(98,83-99,05)

                           

36,88

(34.50-39.33)

                           

99.20

(99.18-99.21)

                           

10

40,84

(39,63-42,05)

                           

99,18

(99.08-99.27)

                           

41,48

(38,66-44,36)

                           

99.16

(99.14-99.18)

                           

20

32,41

(31,27–33,57)

                           

99,36

(99,27–99,44)

                           

41,81

(38,61-45,08)

                           

99,04

(99,03-99,05)

  • 95% CI, interval kepercayaan 95%; NPV, nilai prediksi negatif; PPV, nilai-nilai prediktif positif.

Klasifikasi Risiko

Menggunakan berbagai kemungkinan cut-off untuk menunjukkan risiko tinggi untuk PD, spesifisitas algoritma risiko tinggi dan ada nilai prediksi negatif yang tinggi, tetapi sensitivitas lebih rendah dan sensitivitas lebih rendah. PPV (Tabel 3 dan 4). Misalnya, jika kami memilih ambang 5% untuk membagi pasien menjadi kelompok berisiko tinggi dan berisiko rendah berdasarkan risiko yang diprediksi, spesifisitasnya adalah 98,94%, nilai prediksi negatif adalah 99,20%, sensitivitas adalah 43,48%, dan PPV adalah 36,88%.
            

Tabel 4.
            
Klasifikasi risiko menggunakan algoritme risiko penyakit Parkinson untuk semua faktor dalam model akhir (tanpa getaran)
               
Dipotong karena risiko tinggi,%Sensitivitas (95% CI)Spesifisitas (95% CI)PPV (95% CI)NPV (95% CI)
1

47,51

(46,28-48,74)

                           

71,03

(70,55-71,49)

                           

2.28

(2.21–2.34)

                           

98,96

(98,94-98,99)

                           

5

4,56

(4.07-5.10)

                           

99,35

(99,26-99,43)

                           

9.08

(7.77–10.58)

                           

98.65

(98.647-98.66)

                           

10

1.99

(1.66–2.36)

                           

99,83

(99,78-99,87)

                           

13.90

(10.68–17.90)

                           

98.625

(98.62-98.63)

  • 95% CI, 95% interval kepercayaan; NPV, nilai prediksi negatif; PPV, nilai prediksi positif.

Diskusi

Kami menggunakan data perawatan primer yang dikumpulkan secara rutin untuk mengembangkan model risiko untuk diagnosis PD dalam 5 tahun setelah presentasi pertama dengan kemungkinan fitur prediagnostik. Ini menyediakan alat klinis untuk digunakan dalam perawatan primer, yang tidak memerlukan pengujian tambahan tetapi memungkinkan seseorang untuk mengidentifikasi individu yang lebih tua dari 50 tahun untuk pemantauan atau rujukan dini untuk dugaan diagnosis PD. Oleh karena itu ia memiliki potensi untuk memungkinkan diagnosis lebih awal dari PD, yang biasanya tertunda> 1 tahun, 24 yang mengarah pada keterlambatan pengobatan dan penurunan kualitas hidup 9 dan untuk merujuk dan memulai perawatan dini dan efektif. Selain itu, ini memberikan kesempatan untuk mengidentifikasi individu dalam populasi umum untuk studi fase prodromal PD, yang sejauh ini memerlukan identifikasi faktor langka yang terkait dengan risiko tinggi (misalnya, pembawa gen kaya kinase pengulangan 2 leusin] LRRK2] mutasi), investigasi mahal, atau penyaringan aktif kohort sukarelawan besar. Karena alat ini tidak memerlukan investigasi tambahan selain dari informasi yang telah dikumpulkan dalam catatan perawatan kesehatan rutin dan karena didasarkan pada perawatan primer, alat ini memberi para peneliti metode untuk mengidentifikasi individu dengan risiko yang meningkat dalam skala besar dan dari populasi umum yang representatif. . Meskipun pemeriksaan lebih lanjut, pemantauan, atau pengujian mungkin diperlukan untuk dimasukkan dalam uji coba biomarker atau pengobatan lebih lanjut (misalnya, pemeriksaan neurologis, pencitraan, atau pengujian genetik), pendekatan ini mengatasi beberapa tantangan di bidang ini, termasuk dilema etis dari mengidentifikasi individu yang berisiko yang tidak memiliki gejala menyulitkan yang memerlukan perawatan, karena individu dianggap pada saat mereka mencari bantuan medis untuk gejala mereka.
         

Hasil kami untuk fitur prediagnostik individu sebanding dengan yang juga termasuk dalam kriteria penelitian Movement Disorders Society untuk PD prodromal, 12 meskipun faktor prediktif yang kami masukkan berbeda karena sifat dari studi (misalnya, kriteria Gangguan Gerakan termasuk hasil investigasi dan data saat ini termasuk berbagai fitur klinis). Kriteria ini adalah standar saat ini untuk klasifikasi risiko PD karena didasarkan pada tinjauan sistematis berdasarkan bukti dari risiko yang dilaporkan dalam literatur. Namun, klasifikasi ini perlu dibatasi oleh kumpulan studi yang berbeda dan tidak memperhitungkan kemungkinan gejala yang muncul bersama, misalnya, konstipasi dan gejala kemih. Studi saat ini menggunakan populasi tunggal yang besar untuk memperoleh kemungkinan rasio, yang disesuaikan satu sama lain dalam analisis regresi berganda, sehingga mengurangi batasan ini. Ini juga menggunakan fitur klinis semata-mata yang mudah dicapai dalam pengaturan klinis rutin. Nalls dan kawan-kawan 11 juga menggunakan pendekatan analisis regresi multivariat untuk mengembangkan model risiko untuk diagnosis PD dalam kasus-kasus yang sudah mapan dan termasuk skor risiko genetik. Terlepas dari skor genetik, Tes Identifikasi Bau Universitas (Pennsylvania of Smell Identification Test) (UPSIT) bersama dengan usia, jenis kelamin, dan riwayat keluarga, secara independen berkontribusi terhadap prediksi PD pada penyakit yang sudah mapan, dengan AUC 0,60 (95% CI 0,56-0,65) untuk fitur demografis, 0,64 (95% CI 0,59-0,69) untuk skor risiko genetik, 0,90 (95% CI 0,87-0,93) untuk skor UPSIT, dan 0,92 (95% CI 0,90-0,95) untuk skor terintegrasi. Dalam penelitian kami tentang PD prediagnostik, menggunakan presentasi perawatan primer (tanpa skor UPSIT atau tes genetik dan tidak termasuk riwayat keluarga), kami masih dapat mencapai AUC 0,80 (95% CI 0,78-0,81), menunjukkan bahwa fitur klinis adalah alat yang sangat efektif untuk menyaring risiko PD di masa depan dan perbaikan lebih lanjut melalui tes tambahan, seperti UPSIT atau pengujian genetik, dapat mencapai akurasi prediksi yang lebih tinggi. Beberapa penelitian saat ini sedang dilakukan untuk mengidentifikasi lebih lanjut biomarker dan alat untuk mengidentifikasi risiko PD untuk uji klinis, termasuk studi Parkinson terkait risiko sindrom (PARS), yang telah menetapkan bahwa skrining dengan UPSIT adalah cara yang efektif untuk stratifikasi bagi mereka yang memiliki PD dan mereka yang tidak. 2526 Evaluasi Tübinger tentang Faktor Risiko untuk Deteksi Dini Neurodegeneration (TREND) menetapkan sonografi transkranial sebagai alat skrining yang bermanfaat, 27 ] dan studi PREDICT-PD telah memelopori alat penilaian berbasis internet. 28 Menggabungkan model risiko saat ini sebagai langkah pertama dalam studi ini kemungkinan akan meningkatkan kemampuan mereka untuk menyaring dari populasi dalam perawatan primer dan populasi umum dan individu terpilih untuk dimasukkan ke dalam percobaan. Jangka waktu 5 tahun lebih lama dari durasi sebagian besar uji coba pengobatan tradisional tetapi memungkinkan pengayaan lebih lanjut menggunakan pengujian yang ditargetkan.
         

Patut dicatat bahwa tremor adalah fitur klinis dengan nilai prediktif tertinggi. Ini mungkin menunjukkan bahwa beberapa pasien mungkin sudah memiliki PD yang dapat didiagnosis, tetapi bahkan dalam pengaturan spesialis membuat diagnosis PD berdasarkan adanya tremor saja (bahkan jika khas PD), saat ini tidak mungkin sesuai dengan kriteria diagnostik. Meskipun penelitian ini tidak dirancang untuk membedakan mereka yang tremor sebagai hasil dari PD awal dari mereka yang tremor sebagai akibat dari penyebab lain, alat ini memungkinkan penggabungan tremor dalam algoritma prediksi risiko. Algoritma, bagaimanapun, tidak memerlukan keberadaan tremor dan bahkan ketika mengecualikan tremor algoritma berdasarkan pada kombinasi dari risiko lain dan fitur diagnostik memberikan akurasi prediksi yang dapat diterima (AUC 0,66).

Keterbatasan Studi

Penelitian ini kemungkinan besar untuk meremehkan kejadian fitur prediagnostik PD pada pasien dan kontrol, karena hanya presentasi yang dicatat dalam catatan perawatan kesehatan oleh dokter perawatan primer dimasukkan daripada semua gejala yang mungkin hadir pada skrining aktif. Selain itu, kode gejala ini bukan kode diagnostik yang ketat tetapi mencerminkan penyajian keluhan atau temuan. Namun, data ini cenderung relevan secara klinis karena hanya terdapat gejala ketika pasien mencari bantuan medis dimasukkan, dan risiko bias mengingat rendah karena informasi tersebut dikumpulkan dari data perawatan primer yang dikumpulkan secara prospektif. Dataset ini karena itu memberikan informasi prospektif untuk fitur-fitur penting secara klinis dalam perawatan primer, menjadikannya dataset yang lebih relevan secara klinis. Terlepas dari potensi meremehkan kekuatan prediksi sebenarnya dari skor risiko kami menemukan bahwa skor risiko memiliki kekuatan prediksi yang baik dengan AUC 0,80, menjadikan ini alat yang berguna untuk mengidentifikasi bagi mereka yang mungkin mendapat manfaat dari penilaian lebih lanjut, dan kekuatan prediksi adalah kemungkinan akan lebih tinggi dalam program skrining aktif prospektif. Alat ini dapat membantu dokter untuk mengidentifikasi mereka yang harus mereka tinjau dengan cermat untuk fitur PD.

Ucapan Terima Kasih

Para penulis mengakui pendanaan dari Parkinson UK (K-1213). Pendana tidak memiliki peran dalam desain dan pelaksanaan penelitian; pengumpulan, manajemen, analisis, dan interpretasi data; persiapan, peninjauan, atau persetujuan naskah; dan keputusan untuk menyerahkan naskah untuk publikasi. SEBAGAI. memiliki akses penuh ke semua data dalam penelitian dan bertanggung jawab atas integritas data dan keakuratan analisis data. AS didukung oleh Institut Nasional untuk Penelitian Kesehatan UCL / H Pusat Penelitian Biomedis.