Applying Data Mining and Machine Learning Algorithms to predict symptom development in Parkinsons disease

The standard treatment of PD symptoms depends on the experience of a particular neurologist, UPDRS and Hoehn and Yahr scale measurements in order to estimate the stage of PD, the patient’s reports and patient’s responses to medications. All these estimations are to a great extent subjective and determine different treatments in different centers. The purpose of this work was to develop an approach that may more precisely and objectively estimate a patient’s symptoms and in consequence optimize individual PD treatment. We have presented sever-al examples of different methods that make measurements in PD more precise. However, greater precision and objectivity were only the first steps. In addition, all (standard and new) data must be evaluated in an intelligible way in order to better estimate PD symptoms and their developments. We have used data mining and machine learning approaches to mimic the “golden” neurologist’s reasoning.

Standardowe leczenie objawów PD zależy od doświadczenia danego neurologa oraz wyników pomiarów w skalach UPDRS oraz Hoehn i Yahr , aby ocenić stadium choroby Parkinsona, opinii pacjenta i jego reakcji na leki. Wszystkie oceny stosowane w tym celu są w dużej mierze subiektywne. Celem niniejszej pracy było opracowanie podejścia, które mogłoby bardziej precyzyjnie i obiektywnie oszacować fluktację objawów pacjenta i w konsekwencji optymalizację indywidualnego traktowania PD. Pokazaliśmy kilka przykładów różnych metod, które zwiększają precyzję pomiarów w PD. Trzeba zaznaczyć, że większa precyzja i obiektywność są tylko pierwszym krokiem. Ostatecznie wszystkie dane (otrzymane zarówno nowymi, jak i standardowymi metodami) muszą być porównane w czytelny sposób, aby lepiej ocenić nasilenie i rozwój objawów PD. Użyta metoda eksploracji danych i algorytm uczenia maszynowego mają naśladować „złoty” tok rozumowania neurologa.