NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), dünya çapında 6 milyondan fazla insanı etkileyen bir progresif nörodejeneratif hareket hastalığıdır. Dopamin üreten nöronların kaybı hem motor hem de motor olmayan semptomlarla sonuçlanır, ancak şu anda özellikle semptomların ince ve kötü karakterize edilebileceği erken hastalık aşamalarında uzman olmayan klinisyenler tarafından PD için kesin bir test yoktur. Bu, yüksek bir yanlış tanı oranıyla sonuçlanır (uzman olmayanlar tarafından% 25'e kadar) ve insanlar tanıdan önce uzun yıllar boyunca hastalığa sahip olabilirler. İdeal olarak bireyler tarafından ev ortamında kullanılabilecek daha doğru, objektif bir erken tespit aracına ihtiyaç vardır. Bu araştırmada, 103 denekten (hafif PD şiddeti ve geri kalan PD olmayan kontrollerle 32'yi kapsayan) tuş vuruşu zamanlama bilgileri, uzun bir süre boyunca bir bilgisayar klavyesine yazılırken yakalandı ve PD'nin el ve parmak hareketinin çeşitli özelliklerini etkilediğini ve bunların tespit edilebileceğini gösterdi. Yeni bir metodoloji, bir grup makine öğrenimi sınıflandırma modeli tarafından analiz edilen birçok tuş vuruşu özelliğinin bir kombinasyonunu kullanarak, deneklerin hastalık durumunu sınıflandırmak için kullanıldı. İki ayrı katılımcı gruba uygulandığında, bu yaklaşım, %96 hassasiyet, %97 özgüllük ve 0,98'lik bir AUC ile erken polis denekleri ve kontrolleri arasında başarılı bir şekilde ayrım yapmayı başardı. Teknik, herhangi bir uzman ekipman veya tıbbi gözetim gerektirmez ve uygulayıcının deneyim ve becerisine dayanmaz. Daha genel bir uygulama ile ilgili olarak, şu anda ikinci bir kardinal hastalık semptomu içermez, bu nedenle PD'yi benzer hareketle ilgili bozukluklardan ayırt etmeyebilir.
Özgün kaynak özetini okuyun
Parkinson's Disease (PD) is a progressive neurodegenerative movement disease affecting over 6 million people worldwide. Loss of dopamine-producing neurons results in a range of both motor and non-motor symptoms, however there is currently no definitive test for PD by non-specialist clinicians, especially in the early disease stages where the symptoms may be subtle and poorly characterised. This results in a high misdiagnosis rate (up to 25% by non-specialists) and people can have the disease for many years before diagnosis. There is a need for a more accurate, objective means of early detection, ideally one which can be used by individuals in their home setting. In this investigation, keystroke timing information from 103 subjects (comprising 32 with mild PD severity and the remainder non-PD controls) was captured as they typed on a computer keyboard over an extended period and showed that PD affects various characteristics of hand and finger movement and that these can be detected. A novel methodology was used to classify the subjects' disease status, by utilising a combination of many keystroke features which were analysed by an ensemble of machine learning classification models. When applied to two separate participant groups, this approach was able to successfully discriminate between early-PD subjects and controls with 96% sensitivity, 97% specificity and an AUC of 0.98. The technique does not require any specialised equipment or medical supervision, and does not rely on the experience and skill of the practitioner. Regarding more general application, it currently does not incorporate a second cardinal disease symptom, so may not differentiate PD from similar movement-related disorders.
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.