> Forschung

Questioning the definition of Tourette syndrome – evidence from machine learning

Veröffentlichungsdatum: 02. Dezember 2021
Veröffentlichungsjournal: Brain Communications

Zusammenfassung:
Das Tourette-Syndrom wird durch das Vorhandensein von motorischen und vokalen Tics diagnostiziert. Wir haben eine Studie mit Machine Learning-Techniken durchgeführt, um herauszufinden, welche Merkmale am besten zur Unterscheidung von Tourette-Patienten und gesunden Kontrollen beitragen. Die Ergebnisse zeigten, dass die Intensität der motorischen Tics der wichtigste Faktor für die Diagnose ist, während vokale Tics weniger aussagekräftig sind. Diese Ergebnisse legen nahe, dass die aktuelle Diagnosemethode für Tourette, die sowohl motorische als auch vokale Tics erfordert, möglicherweise nicht die beste Möglichkeit ist, um Patienten mit dieser Störung von gesunden Kontrollen zu unterscheiden.

Die erste Säule zeigt die Klassifikationsgenauigkeit des ersten Merkmals (Schw- eregrad motorischer Tics). Die anderen Säulen zeigen, ob und inwieweit sich die kumulierte Klassifikationsgenauigkeit im Vergleich zum besten Merkmal erhöht hat. Blau zeigt eine positive Veränderung, Orange eine negative Veränderung und Schwarz keine Veränderung in der Klassifikationsgenauigkeit an. Die 99%- Konfidenzintervalle werden als schwarze Fehlerbalken angezeigt. Für weitere Details siehe Veröffentlichung (DOI: 10.1093/braincomms/fcab282).

PDF-Download

Questioning the definition of Tourette syndrome – evidence from machine learning