NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Son çalışmalar, laboratuvar kalitesinde ses kayıtlarının analizinin Parkinson hastalığı (PD) tanısı konan kişileri sağlıklı kontrollerden (HC'lerden) doğru bir şekilde ayırt etmek için kullanılabileceğini göstermiştir. Bu bulgular PD için uzaktan tarama ve izleme araçlarının geliştirilmesini kolaylaştırmaya yardımcı olabilir. Bu çalışmada 1483 PD'den 2759 telefon kalitesinde ses kaydı ve 8300 HC katılımcıdan 15 321 kayıt analiz edildi. Fonetik arka plandaki varyasyonları hesaba katmak için, yedi ülkeden veriler elde edildi. Sesi analiz etmek için istatistiksel bir çerçeve geliştirildi, bu sayede nefes darlığı, pürüzlülük, monopitch, ses kalitesi ve abartılı ses titremesi gibi ses bozukluğunun farklı özelliklerini ölçen 307 disfoni önlemi hesaplandı. Özellik seçimi algoritmaları, PD'yi HC'den doğru bir şekilde ayırt etmek için rastgele bir orman (RFs) sınıflandırıcısı ile birlikte kullanılan sağlam parsimonious özellik alt kümelerini tanımlamak için kullanıldı. En iyi on kat çapraz doğrulama performansı Gram-Schmidt ortogonalizasyonu ve RF kullanılarak elde edildi ve bu da %64,90 (standart sapma, SD, %2,90) ve %67,96 (SD %2,90) ortalama özgüllükte bir hassasiyete yol açtı. Bu büyük ölçekli çalışma, telefon kalitesinde ses kullanarak PD için nüfusu geniş çapta taramak için güvenilir, uygun maliyetli ve pratik bir klinik karar destek aracının geliştirilmesini değerlendirmeye yönelik bir adımdır.
Özgün kaynak özetini okuyun
Recent studies have demonstrated that analysis of laboratory-quality voice recordings can be used to accurately differentiate people diagnosed with Parkinson's disease (PD) from healthy controls (HCs). These findings could help facilitate the development of remote screening and monitoring tools for PD. In this study, 2759 telephone-quality voice recordings from 1483 PD and 15 321 recordings from 8300 HC participants were analyzed. To account for variations in phonetic backgrounds, data were acquired from seven countries. A statistical framework for analyzing voice was developed, whereby 307 dysphonia measures that quantify different properties of voice impairment, such as breathiness, roughness, monopitch, hoarse voice quality, and exaggerated vocal tremor, were computed. Feature selection algorithms were used to identify robust parsimonious feature subsets, which were used in combination with a random forests (RFs) classifier to accurately distinguish PD from HC. The best tenfold cross-validation performance was obtained using Gram-Schmidt orthogonalization and RF, leading to mean sensitivity of 64.90% (standard deviation, SD, 2.90%) and mean specificity of 67.96% (SD 2.90%). This large scale study is a step forward toward assessing the development of a reliable, cost-effective, and practical clinical decision support tool for screening the population at large for PD using telephone-quality voice.
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.