STEP-PD: 다중 모드 임상 평가를 이용한 단계별 인지 및 설명 가능한 파킨슨병 중증도 분류 모델

STEP-PD: Stage-Aware and Explainable Parkinson's Disease Severity Classification Using Multimodal Clinical Assessments

파킨슨병(PD)은 시간이 지남에 따라 증상과 기능적 장애가 변화하는 진행성 질환으로, 임상 모니터링 및 치료 계획 수립에 있어 중증도 분류가 필수적입니다. 그러나 많은 연구가 이분법적인 파킨슨병 감지에 초점을 맞추고 있으며, 단계별 예측을 위해 반복적인 임상 평가를 충분히 활용하지 못하는 경우가 많습니다. 본 연구에서는 임상적으로 해석 가능한 기준으로 파킨슨병 중증도를 분류하기 위한 단계별 인지 머신러닝 프레임워크인 STEP-PD를 제안합니다. 본 연구는 파킨슨병 진행 마커 이니셔티브(PPMI)에서 제공하는 모든 방문 데이터를 활용하고, 정기적으로 수집되는 주관적인 설문지와 객관적인 임상의 평가 지표를 통합합니다. 질병 중증도는 Hoehn and Yahr 단계를 사용하여 정의하고, 건강군, 경증 파킨슨병(단계 1-2), 중등도~중증 파킨슨병(단계 3-5)의 세 가지 임상적으로 의미 있는 범주로 분류합니다. 세 가지 이분 분류 문제와 세 단계 분류 작업을 수행했으며, 불균형 데이터에 대한 인식을 갖춘 교차 검증을 통해 평가했습니다. 해석 가능성을 높이기 위해, SHAP 값을 사용하여 전체적인 설명과 개별 환자 수준의 상세 설명을 제공했습니다. 모든 작업에서 XGBoost 모델이 가장 강력하고 안정적인 성능을 보였으며, 정확도는 각각 95.48%(건강군 vs. 경증), 99.44%(건강군 vs. 중등도~중증), 96.78%(경증 vs. 중등도~중증)이었고, 세 단계 분류 작업에서는 94.14%의 정확도와 0.8775의 Macro-F1 값을 보였습니다. 해석 결과는 초기 운동 기능에서 진행과 관련된 보행 및 균형 장애로의 변화를 보여줍니다. 이러한 결과는 PPMI 코호트 내의 다중 모드 임상 평가가 정확하고 해석 가능한 방문별 파킨슨병 중증도 분류를 지원할 수 있음을 시사합니다.

Parkinson's disease (PD) is a progressive disorder in which symptom burden and functional impairment evolve over time, making severity staging essential for clinical monitoring and treatment planning. However, many computational studies emphasize binary PD detection and do not fully use repeated follow-up clinical assessments for stage-aware prediction. This study proposes STEP-PD, a severity-aware machine learning framework to classify PD severity using clinically interpretable boundaries. It leverages all available visits from the Parkinson's Progression Markers Initiative (PPMI) and integrates routinely collected subjective questionnaires and objective clinician-assessed measures. Disease severity is defined using Hoehn and Yahr staging and grouped into three clinically meaningful categories: Healthy, Mild PD (stages 1-2), and Moderate-to-Severe PD (stages 3-5). Three binary classification problems and a three-class severity task were evaluated using stratified cross-validation with imbalance-aware training. To enhance interpretability, SHAP was used to provide global explanations and local patient-level waterfall explanations. Across all tasks, XGBoost achieved the strongest and most stable performance, with accuracies of 95.48% (Healthy vs. Mild), 99.44% (Healthy vs. Moderate-to-Severe), and 96.78% (Mild vs. Moderate-to-Severe), and 94.14% accuracy with 0.8775 Macro-F1 for three-class severity classification. Explainability results highlight a shift from early motor features to progression-related axial and balance impairments. These findings show that multimodal clinical assessments within the PPMI cohort can support accurate and interpretable visit-level PD severity stratification.