NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) belirtileri arasında, yürüyüş (FoG) dondurma en zayıflatıcı biridir. FoG'yi değerlendirmek için, mevcut klinik uygulama çoğunlukla, bu semptomun ciddiyetini doğru bir şekilde haritalamayan anketlere dayanarak haftalar ve aylar boyunca tekrarlanan değerlendirmeleri kullanır. Günlük yaşam (ADL) ve hastaların gün boyunca yaşadıkları PD semptomlarının faaliyetlerini izlemek için invazif olmayan bir sistemin kullanılması, hastalığın evrimini daha iyi anlamak ve hastanın tedavi planında ayarlamalar yapmak için daha doğru ve objektif bir FoG değerlendirmesi sağlayabilir. Bu makale, FoG'yi Destek Vektör Makineleri (SVM) temelli bir makine öğrenme yaklaşımı ve belde giyilen tek bir üç eksenli ivmeölçer ile tespit etmek için yeni bir algoritma sunmaktadır. Yöntem, evlerinde 21 PD hastadan toplanan ve iki farklı koşul altında değerlendirilen bir ayakta tedavi ortamındaki hızlanma sinyalleri aracılığıyla değerlendirilir: Birincisi, bir jenerik model, bir çıkış yaklaşımı ve ikincisi, her hastadan gelen veri setinin bir kısmını da kullanan kişiselleştirilmiş bir model kullanılarak test edilir. Sonuçlar, jenerik modele kıyasla kişiselleştirilmiş modelin doğruluğunda önemli bir iyileşme olduğunu, %7.2'lik özgüllük ve duyarlılık geometrik ortalamasında (GM) iyileştirme olduğunu göstermektedir. Ayrıca, benimsenen SVM yaklaşımı şu anda kullanımda olan en kapsamlı FoG algılama yöntemiyle karşılaştırılmıştır (bu makalede MBFA olarak anılacaktır). Yeni jenerik yöntemimizin sonuçları, MBFA jenerik modeline kıyasla GM'de %11,2'lik bir geliştirme ve kişiselleştirilmiş model durumunda MBFA kişiselleştirilmiş modeline göre %10'luk bir iyileşme sağlar. Bu nedenle, sonuçlarımız PD hastalarının günlük yaşamı boyunca FoG'yi izlemek için bir makine öğrenme yaklaşımının kullanılabileceğini ve ayrıca FoG tespiti için kişiselleştirilmiş modellerin izleme doğruluğunu artırmak için kullanılabileceğini göstermektedir.
Özgün kaynak özetini okuyun
Among Parkinson's disease (PD) symptoms, freezing of gait (FoG) is one of the most debilitating. To assess FoG, current clinical practice mostly employs repeated evaluations over weeks and months based on questionnaires, which may not accurately map the severity of this symptom. The use of a non-invasive system to monitor the activities of daily living (ADL) and the PD symptoms experienced by patients throughout the day could provide a more accurate and objective evaluation of FoG in order to better understand the evolution of the disease and allow for a more informed decision-making process in making adjustments to the patient's treatment plan. This paper presents a new algorithm to detect FoG with a machine learning approach based on Support Vector Machines (SVM) and a single tri-axial accelerometer worn at the waist. The method is evaluated through the acceleration signals in an outpatient setting gathered from 21 PD patients at their home and evaluated under two different conditions: first, a generic model is tested by using a leave-one-out approach and, second, a personalised model that also uses part of the dataset from each patient. Results show a significant improvement in the accuracy of the personalised model compared to the generic model, showing enhancement in the specificity and sensitivity geometric mean (GM) of 7.2%. Furthermore, the SVM approach adopted has been compared to the most comprehensive FoG detection method currently in use (referred to as MBFA in this paper). Results of our novel generic method provide an enhancement of 11.2% in the GM compared to the MBFA generic model and, in the case of the personalised model, a 10% of improvement with respect to the MBFA personalised model. Thus, our results show that a machine learning approach can be used to monitor FoG during the daily life of PD patients and, furthermore, personalised models for FoG detection can be used to improve monitoring accuracy.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.