复杂疾病（比如帕金森病）的准确诊断和早期发现，对于研究者和临床医生均有十分重要的意义。然而，对于帕金森病，目前尚缺乏早期、简便快速的诊断方法，而常用的影像学和生物标志物检查方法虽然有助于鉴别和明确早期帕金森病患者，但存在有创以及价格昂贵等缺点。
为此，来自美国的 Singleton 教授等进行了一项研究，旨在建立一个无创性帕金森病诊断的准确分类模型；以期将其作为未来的队列研究和疾病预测性研究的基础。该研究成功地建造了一个敏感性和特异性均很高的帕金森病诊断和分类模型，为以后的研究提供了良好的工具。研究发表于近期的 Lancet Neurology 杂志。
研究者纳入了帕金森进展标志物研究（PPMI）中 367 例具有典型影像学数据的帕金森病（PD）患者以及 165 例无神经系统疾病的对照者。采用这些受试者的数据建立了一个疾病的分类模型。通过逐步 logisitic 回归的方法挑选出嗅觉功能、遗传风险、帕金森病家族史、年龄以及性别是对该分类模型有重要贡献的因素。
从 5 个独立的且入组标准和研究设计均不同的研究中挑选出 825 例 PD 患者和 261 例对照者，对该模型进行验证。这 5 项研究包括：帕金森病生物标志物项目（PDBP）、帕金森病相关风险研究（PARS）、23andMe 研究、PD 队列和生物标志物研究（LABS-PD）以及 Morris K Udall 帕金森病研究中心队列研究（Penn-Udall）。此外，研究者还将此模型应用于影像学证实不伴有多巴胺能缺陷（SWEDD）的患者中进行评估。
在 PPMI 研究人群中，该模型能够准确区分帕金森病患者与对照者，曲线下面积（AUC）为 0.923；并且具有高度的敏感性和特异性。Hosmer-Lemeshow 拟合检验显示，当将受试者拆分成随机的亚组人群，亚组人群的数据也与总体队列的结果类似。
在其他 5 个研究人群中进行外部验证也显示对 PD 的分类有较好的效果，PDBP 队列人群中 AUC 为 0.894，PARS 研究中为 0.998，23andMe 研究中为 0.955，LABSPD 研究中为 0.929，Penn-Udall 研究中为 0.939。采用此模型判定为帕金森病的 4 例 SWEDD 患者在 1 年内转化为帕金森病，而其他 38 例根据模型无帕金森病的患者在转化过程中。
该模型为鉴别帕金森病与对照者提供了一个潜在的新型方法；如果通过前瞻性队列研究能够证实该模型能够明确前驱期或临床前期帕金森病患者，将有助于生物标志物的发现和治疗方法的研究。
