NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu çalışmanın amacı, olası Alzheimer hastalığını (AD) Parkinson hastalığı demansı (PDD) veya demansı Lewy cisimleriyle (DLB) ve frontotemporal demans, nicel elektroensefalografiye (QEEG) dayanan davranışsal varyant (bvFTD) farklılaştırmak için bir sınıflandırıcı geliştirmek ve değerlendirmekti. 61 demanslı hastada 25 QEEG özelliğini karşılaştırdık (muhtemelen AD'li 20 hasta, PDD veya muhtemel DLBPD'li 20 hasta ve bvFTD'li 21 hasta). Destek vektör makine sınıflandırıcıları üç grup arasında ayrım yapmak için eğitildi. 25 özelliğin 23'ü AD ve DLBPD arasında, 17'si AD'ye karşı bvFTD için ve 12'si de BvFTD'ye karşı DLBPD için önemli ölçüde farklı çıktı. Ayrılmış çapraz doğrulamayı kullanarak, sınıflandırma, yalnızca QEEG kullanarak% 100 doğruluk, hassasiyet ve özgüllük elde etti; Granger nedenselliği ve teta ve beta1 bant güçlerinin oranı. Bu sonuçlar, seçilen QEEG özellikleri ile eğitilmiş sınıflandırıcıların AD, DLB veya PDD ve bvFTD hastaları arasında ayırt etmede değerli bir girdi sağlayabileceğini göstermektedir. 61 hasta ile yapılan bu çalışmada, herhangi bir yanlış sınıflandırma meydana gelmemiştir. Bu nedenle, daha ileri çalışmalar, bu yöntemin sadece grup düzeyinde değil, aynı zamanda bireysel konular için tanısal destekte uygulanabilecek potansiyelini araştırmalıdır.
Özgün kaynak özetini okuyun
The objective of this work was to develop and evaluate a classifier for differentiating probable Alzheimer's disease (AD) from Parkinson's disease dementia (PDD) or dementia with Lewy bodies (DLB) and from frontotemporal dementia, behavioral variant (bvFTD) based on quantitative electroencephalography (QEEG). We compared 25 QEEG features in 61 dementia patients (20 patients with probable AD, 20 patients with PDD or probable DLB (DLBPD), and 21 patients with bvFTD). Support vector machine classifiers were trained to distinguish among the three groups. Out of the 25 features, 23 turned out to be significantly different between AD and DLBPD, 17 for AD versus bvFTD, and 12 for bvFTD versus DLBPD. Using leave-one-out cross validation, the classification achieved an accuracy, sensitivity, and specificity of 100% using only the QEEG features Granger causality and the ratio of theta and beta1 band powers. These results indicate that classifiers trained with selected QEEG features can provide a valuable input in distinguishing among AD, DLB or PDD, and bvFTD patients. In this study with 61 patients, no misclassifications occurred. Therefore, further studies should investigate the potential of this method to be applied not only on group level but also in diagnostic support for individual subjects.
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.