인지장애는 파킨슨병의 대표적인 비운동 증상 중 하나이다. 그러나 파킨슨병 증상의 다양성 및 예측모델의 부족으로 인하여 인지장애의 진행 패턴이 정확히 파악되지 못하고 있다. 최근 파킨슨병 연구 커뮤니티에서 인지장애의 진행을 추적할 수 있는 유효한 특성 식별에 관한 연구에 많은 관심이 집중되고 있다. 본 논문에서는 인지장애가 있는 파킨슨병 환자의 진단 성능을 개선하기 위해 임상 및 유전적 특징을 사용하는 기계 학습 알고리즘의 유용성에 관한 연구를 수행하였다. 본 연구에서는 PPMI(Parkinson's Progression Markers Initiative) 데이터베이스를 사용하여 연구를 진행하였다. PPMI 데이터는 초기 파킨슨병 환자에서 향후 증상들의 진행을 예측하는 바이오마커를 발견하고 검증하기 위해 고안된 국제다기관 코호트의 데이터베이스이다. 인지장애 예측 모델의 생성을 위하여 머신러닝 기법으로 로지스틱 회귀분석, 랜덤 포레스트, 서포트 벡터 머신의 세 가지 분류 모델을 사용하였으며, 미래 시점의 인지 상태를 예측하기 위한 모델로서 멀티 테스크 러닝 회귀 모델을 사용하였다. 각 학습 모델을 기반으로 PPMI 데이터베이스를 사용하여 인지 장애 진행 패턴과 관련된 특성 분석에 관한 연구를 수행하였다. 연령, 유병 기간, 교육 기간은 인지 상태와 관련된 주요 생물학적 특징이었으며, 다양한 인지 영역을 평가하는 Montreal Cognitive Assessment(MoCA)의 인지 테스트 점수가 더 나은 예측 변수임을 확인하였다. 이러한 임상적 특징 외에도 알츠하이머병과 공유되는 고위험 변이의 존재 유무를 회귀 모델의 예측 변수로 포함 시켰다. 예측모델의 성능을 평가하기 위해 PPMI 데이터베이스에 등록된 파킨슨병 환자 397명의 임상 및 유전 데이터로 실험을 진행하였으며, 실험 결과에 의하여 임상 및 유전적 특징을 이용한 기계 학습 분석이 파킨슨병의 인지 장애를 예측하는데 유효한 방법임을 입증하였다.