NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Mobil sağlık verilerinin toplanması yaygınlaştıkça, eksik veriler büyük veri kümelerinin analiz için erişilemez olmasını sağlayabilir. Eksik veriler, akıllı telefonlar kullanarak Parkinson hastalığını (PD) uzaktan teşhis etmek ve izlemek için özellikle sorunlu olduğunu göstermiştir. Bu katkı, veri kümesi dekonstrüksiyonunu topluluk öğrenmesiyle birleştiren ve katılımcıların eksik veriye (yani, tüm sensör verilerinin mevcut olmadığı yerlerde) sahip olmasını sağlayan ve makine öğrenme modellerinin eğitimine dahil edilmesini sağlayan ve% 100 katılımcı tutma oranına ulaşan bir metodoloji olan çok kaynaklı topluluk öğrenmesini sunar. Önerilen yöntemi 1513 katılımcıdan oluşan bir kohortta gösteriyoruz, bunların %91.2'si dokunma, yürüyüş, ses ve / veya hafıza testlerinde eksik verilere katkıda bulundu. Çok kaynaklı topluluk öğreniminin kullanımı, mevcut veri miktarından yararlanan konvolutional sinir ağları (CNN'ler) ile birlikte, PD sınıflandırma doğruluğunu geleneksel tekniklere kıyasla %73,1'den %82.0'a çıkarır. Doğruluktaki artışın kısmen çok kanallı CNN'lerin kullanılmasından ve kısmen de büyük katılımcı kohortu kullanan modellerin geliştirilmesinden kaynaklandığı bulunmuştur. Ayrıca, botstrap örneklemesi yoluyla, özellik seçiminin eksik veriye sahip büyük bir katılımcı kohortu üzerinde, tam veriye sahip az sayıda katılımcıdan daha iyi gerçekleştirildiğini ortaya koyuyoruz. Önerilen yöntem, eksik verilerden muzdarip çok çeşitli giyilebilir / uzaktan izleme veri setlerine uygulanabilir ve semptom heterojenliği için yeni muhasebe yöntemlerini ortaya çıkararak PD'yi uzaktan izleme yeteneğini geliştirmeye katkıda bulunur.
Özgün kaynak özetini okuyun
As the collection of mobile health data becomes pervasive, missing data can make large portions of datasets inaccessible for analysis. Missing data has shown particularly problematic for remotely diagnosing and monitoring Parkinson's disease (PD) using smartphones. This contribution presents multi-source ensemble learning, a methodology which combines dataset deconstruction with ensemble learning and enables participants with incomplete data (i.e., where not all sensor data is available) to be included in the training of machine learning models and achieves a 100% participant retention rate. We demonstrate the proposed method on a cohort of 1513 participants, 91.2% of which contributed incomplete data in tapping, gait, voice, and/or memory tests. The use of multi-source ensemble learning, alongside convolutional neural networks (CNNs) capitalizing on the amount of available data, increases PD classification accuracy from 73.1% to 82.0% as compared to traditional techniques. The increase in accuracy is found to be partly caused by the use of multi-channel CNNs and partly caused by developing models using the large cohort of participants. Furthermore, through bootstrap sampling we reveal that feature selection is better performed on a large cohort of participants with incomplete data than on a small number of participants with complete data. The proposed method is applicable to a wide range of wearable/remote monitoring datasets that suffer from missing data and contributes to improving the ability to remotely monitor PD via revealing novel methods of accounting for symptom heterogeneity.
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.