NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu çalışmada, iki bağımsız girişimden (Michigan Üniversitesi ve Tel Aviv Sourasky Tıp Merkezi) klinik, demografik ve nörogörüntüleme verilerini kullanarak PD hastalarında düşmeleri araştırmak için multidisipliner bir yaklaşım uyguluyoruz. Makine öğrenme tekniklerini kullanarak, falterleri ve falter olmayanları ayırt etmek için öngörücü modeller oluşturuyoruz. Kontrollü özellik seçimi sayesinde, yürüyüş hızı, Hoehn ve Yahr aşaması, postural istikrarsızlık ve yürüyüş zorluğu ile ilgili ölçümler de dahil olmak üzere hasta düşüşlerinin en belirgin öngörücülerini belirledik. Kullandığımız model tabanlı ve modelsiz analitik yöntemler arasında lojistik regresyon, rastgele ormanlar, destek vektör makineleri ve XGboost vardı. Tahminlerin güvenilirliği, iç istatistiksel (5 kat) çapraz doğrulamanın yanı sıra dış torba dışı doğrulama ile değerlendirildi. Çalışmada dört özel zorluk ele alındı: Challenge 1, karmaşık, çok kaynaklı ve çok siteli Parkinson hastalığı verilerini uyumlaştırmak ve toplamak için bir protokol geliştirin; Challenge 2, belirli klinik özelliklerle ilişkili belirgin öngörü özelliklerini belirleyin, örneğin hasta düşer; Challenge 3, tahmini hasta düşer ve sınıflandırma performansını değerlendirir; ve Challenge 4, titreme baskınlığını (TD) duruş istikrarsızlığına ve yürüyüş zorluğuna (PIGD) karşı tahmin edin. Bulgularımız, diğer yaklaşımlarla karşılaştırıldığında, modelsiz makine öğrenimine dayalı tekniklerin Parkinson hastalarında düşmelerin daha güvenilir bir klinik sonuç tahminini sağladığını, örneğin yaklaşık% 70-80 sınıflandırma doğruluğu sağladığını göstermektedir.
Özgün kaynak özetini okuyun
In this study, we apply a multidisciplinary approach to investigate falls in PD patients using clinical, demographic and neuroimaging data from two independent initiatives (University of Michigan and Tel Aviv Sourasky Medical Center). Using machine learning techniques, we construct predictive models to discriminate fallers and non-fallers. Through controlled feature selection, we identified the most salient predictors of patient falls including gait speed, Hoehn and Yahr stage, postural instability and gait difficulty-related measurements. The model-based and model-free analytical methods we employed included logistic regression, random forests, support vector machines, and XGboost. The reliability of the forecasts was assessed by internal statistical (5-fold) cross validation as well as by external out-of-bag validation. Four specific challenges were addressed in the study: Challenge 1, develop a protocol for harmonizing and aggregating complex, multisource, and multi-site Parkinson's disease data; Challenge 2, identify salient predictive features associated with specific clinical traits, e.g., patient falls; Challenge 3, forecast patient falls and evaluate the classification performance; and Challenge 4, predict tremor dominance (TD) vs. posture instability and gait difficulty (PIGD). Our findings suggest that, compared to other approaches, model-free machine learning based techniques provide a more reliable clinical outcome forecasting of falls in Parkinson's patients, for example, with a classification accuracy of about 70-80%.
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.