帕金森病（PD）是继阿尔茨海默病之后最常见的神经退行性疾病，然而其诊断在很大程度上依赖于主观临床评估。因此，本研究提出一种系统的数据驱动方法，通过异质风险因素和高效的机器学习准确分类PD患者。采用了六种机器学习算法，包括支持向量机（SVM）、随机森林（RF）、极端梯度提升（XGBoost）、逻辑回归（LR）、K最近邻（KNN）和决策树（DT），并评估它们的性能，以识别具有高区分能力的最强健和高效的模型。SVM模型的表现优于所有其他机器学习模型，已被确定为以至少96%准确率将PD患者与其他患者区分开的最高质量模型。此外，使用SHAP分析特征重要性，以增强所提模型的可解释性。本研究有助于将人工智能整合到医疗领域，强调数据驱动分类建模技术在为高风险患者提供准确、个性化和可操作性洞见方面的价值。这些方法共同提高了PD早期检测的准确性，为更明智的临床决策和改善患者护理铺平了道路。
Iluppangama等人（周五）研究了这个问题。