SCOPE-PD: 파킨슨병의 주관적 및 객관적 임상 측정에 대한 설명 가능한 인공지능을 활용한 정밀 의사결정

SCOPE-PD: Explainable AI on Subjective and Clinical Objective Measurements of Parkinson's Disease for Precision Decision-Making

파킨슨병(PD)은 유전적, 임상적, 생활 습관적 요인의 영향을 받는 만성적이고 복잡한 신경퇴행성 질환입니다. 이 질병을 조기에 예측하는 것은 전통적인 진단 방법이 주관성에 직면하여 진단이 지연되는 경우가 많기 때문에 어렵습니다. 주관성 문제를 해결하기 위해 현재 여러 객관적인 분석 방법이 사용되고 있지만, 이러한 분석에 대한 적절한 설명은 여전히 부족합니다. 머신러닝(ML)은 PD 진단을 지원하는 데 잠재력을 보여주었지만, 기존의 접근 방식은 종종 주관적인 보고에만 의존하며, 개인별 위험 예측을 위한 해석 가능성이 부족합니다. 본 연구에서는 주관적 및 객관적 평가를 통합하여 개인 맞춤형 건강 의사 결정을 제공하는 설명 가능한 인공지능 기반 예측 프레임워크인 SCOPE-PD를 제안합니다. 파킨슨병 진행 마커 이니셔티브(PPMI) 연구에서 수집된 주관적 및 객관적 임상 평가 데이터를 사용하여 다중 모드 예측 프레임워크를 구축했습니다. 다양한 머신러닝 기법을 이러한 데이터에 적용하고, 가장 적합한 머신러닝 모델을 선택하여 결과를 해석했습니다. SHAP 기반 분석을 사용하여 모델의 해석 가능성을 검토했습니다. 런던 킹스 칼리지 대학 파킨슨병 증상 평가 척도(MDS-UPDRS) 테스트에서 얻은 주관적 및 객관적 테스트 데이터를 결합하여 사용했을 때, 랜덤 포레스트 알고리즘이 98.66%의 가장 높은 정확도를 달성했습니다. 떨림, 운동 완만증, 얼굴 표정이 PD 예측에서 가장 중요한 세 가지 요인으로 확인되었습니다.

Parkinson's disease (PD) is a chronic and complex neurodegenerative disorder influenced by genetic, clinical, and lifestyle factors. Predicting this disease early is challenging because it depends on traditional diagnostic methods that face issues of subjectivity, which commonly delay diagnosis. Several objective analyses are currently in practice to help overcome the challenges of subjectivity; however, a proper explanation of these analyses is still lacking. While machine learning (ML) has demonstrated potential in supporting PD diagnosis, existing approaches often rely on subjective reports only and lack interpretability for individualized risk estimation. This study proposes SCOPE-PD, an explainable AI-based prediction framework, by integrating subjective and objective assessments to provide personalized health decisions. Subjective and objective clinical assessment data are collected from the Parkinson's Progression Markers Initiative (PPMI) study to construct a multimodal prediction framework. Several ML techniques are applied to these data, and the best ML model is selected to interpret the results. Model interpretability is examined using SHAP-based analysis. The Random Forest algorithm achieves the highest accuracy of 98.66 percent using combined features from both subjective and objective test data. Tremor, bradykinesia, and facial expression are identified as the top three contributing features from the MDS-UPDRS test in the prediction of PD.