预测帕金森综合征神经病理学的时序诊断算法

目的：由于非典型临床表现、重叠综合征及共病理的存在，帕金森综合征的生前诊断常面临挑战。本研究旨在开发一种基于机器学习的算法，利用时序性临床表现预测帕金森综合征的神经病理学结果，该领域此前尚未得到充分探索。方法：通过微调的生成式预训练Transformer 4模型，从梅奥诊所脑库的医疗记录中自动提取临床信息。纳入疾病发病后3年内出现帕金森综合征的患者。使用年龄、性别、家族史及197项结合发病信息的临床表现数据，训练六种机器学习模型，以预测神经病理学诊断（包括共病理）。结果：在7,825例捐献者中，949例符合纳入标准，涵盖9种神经病理学类别：路易体病（LBD；n=128）、LBD伴阿尔茨海默病（AD；n=136）、进行性核上性麻痹（PSP；n=303）、PSP伴AD（n=56）、PSP伴LBD（n=27）、多系统萎缩（MSA；n=120）、皮质基底节变性（CBD；n=99）、AD（n=43）及额颞叶变性（FTLD；n=37）。在发病后3年时间点，CatBoost算法在9个诊断类别中的受试者工作特征曲线下面积达到0.83。重要预测因子包括发病年龄、眼球运动受限及震颤。该模型对不完整数据保持稳健，仅需200个参数中的23个即可实现可靠预测（曲线下面积0.80）。算法已集成至用户友好型程序中，可提供诊断概率并可视化参数贡献度。结论：这种经神经病理学验证的诊断算法为帕金森综合征提供了一种经济高效且可解释的筛查工具，有助于连接生物标志物检测与分子靶向治疗。ANN NEUROL 2026;99:1405-1414.