NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu makalenin temel amacı, MDS-UPDRSIII egzersizlerine dayanan Parkinson hastalığı (PwPD) olan hastalarda motor disfonksiyonu değerlendirmek için Leap Motion denetleyicisinin (LMC) yeteneğini geliştirmek ve test etmektir. MDS-UPDRSIII'de tanımlanan özellikleri değerlendirmek için dört egzersiz (tumb forefinger taping, el açma / kapama, pronation / supination, postural tremor) kullanıldı. MDS/UPDRS-bölüm III maddelerine göre klinik derecelendirmeler hedef olarak kullanılmıştır. Bu amaçla, PD'li 16 katılımcı ve 12 sağlıklı kişi Ospedale Cisanello, Pisa, İtalya'da işe alındı. Katılımcılar kamera tabanlı işaretleyici ile standart el hareketleri gerçekleştirdiler. Hız, açı, genlik ve frekansla ilgili zaman ve frekans etki alanı özellikleri LMC verilerinden türetilmiştir.SonuçlarFarklı makine öğrenme teknikleri, nörologlar tarafından verilen öznel ölçeği makine öğrenme sınıflandırıcılarından öngörülen tanıya karşı karşılaştırarak PD ve sağlıklı konuları sınıflandırmak için kullanılmıştır. En önemli özellikleri seçmek için özellik seçimi yöntemleri kullanılmıştır. Lojistik regresyon (LR), naif Bayes (NB) ve destek vektör makinesi (SVM) seçilen özelliklerle on kat çapraz doğrulama ile eğitildi. LR ile elde edilen maksimum sınıflandırma doğruluğu% 70.37; ROC eğrisinin (AUC) altındaki ortalama alan 0.831 idi. NB ile elde edilen sınıflandırma doğruluğu %81,4, AUC 0.811 idi. SVM ile elde edilen sınıflandırma doğruluğu %74,07 iken, AUC 0.675 ile sonuçlanmıştır.ConclusionsResults, sistemin PwPD'de postural titremeyi ölçmek için klinik olarak anlamlı veriler döndürmediğini ortaya koymuştur. Buna ek olarak, önkol pronasyon / süpinasyonu ölçmek için sınırlı bir potansiyel gösterdi. Buna karşılık, parmak vuruşu ve el açma/kapama için, türetilmiş parametreler istatistiksel ve klinik önem göstermiştir. Gelecekteki çalışmalar, yazılımın güncellenmiş sürümleri geliştirilirken LMC'yi doğrulamaya devam etmelidir. Elde edilen sonuçlar, seçilen özelliklerin çoğunun PwPD ve sağlıklı deneklerin sınıflandırılmasına önemli ölçüde katkıda bulunduğu gerçeğini desteklemektedir.
Özgün kaynak özetini okuyun
BackgroundThe main objective of this paper is to develop and test the ability of the Leap Motion controller (LMC) to assess the motor dysfunction in patients with Parkinson disease (PwPD) based on the MDS-UPDRSIII exercises. Four exercises (thumb forefinger tapping, hand opening/closing, pronation/supination, postural tremor) were used to evaluate the characteristics described in MDS-UPDRSIII. Clinical ratings according to the MDS/UPDRS-section III items were used as target. For that purpose, 16 participants with PD and 12 healthy people were recruited in Ospedale Cisanello, Pisa, Italy. The participants performed standardized hand movements with camera-based marker. Time and frequency domain features related to velocity, angle, amplitude, and frequency were derived from the LMC data.ResultsDifferent machine learning techniques were used to classify the PD and healthy subjects by comparing the subjective scale given by neurologists against the predicted diagnosis from the machine learning classifiers. Feature selection methods were used to choose the most significant features. Logistic regression (LR), naive Bayes (NB), and support vector machine (SVM) were trained with tenfold cross validation with selected features. The maximum obtained classification accuracy with LR was 70.37%; the average area under the ROC curve (AUC) was 0.831. The obtained classification accuracy with NB was 81.4%, with AUC of 0.811. The obtained classification accuracy with SVM was 74.07%, with AUC of 0.675.ConclusionsResults revealed that the system did not return clinically meaningful data for measuring postural tremor in PwPD. In addition, it showed limited potential to measure the forearm pronation/supination. In contrast, for finger tapping and hand opening/closing, the derived parameters showed statistical and clinical significance. Future studies should continue to validate the LMC as updated versions of the software are developed. The obtained results support the fact that most of the set of selected features contributed significantly to classify the PwPD and healthy 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.