NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), en yaygın ikinci nörodejeneratif hastalıktır; yürüyüş bozuklukları tipiktir ve artan düşme riski ve düşük yaşam kalitesi ile ilişkilidir. Gait, potansiyel olarak erken bir aşamada PD'yi ayırmaya yardımcı olmak için yararlı bir biyobelirteçtir, ancak optimal özellikler ve kombinasyon belirsizdir. Bu çalışmada, PD ve sağlıklı kontrolleri (HC) olan insanları ayırt etmek için yürüyüş özelliklerinin optimal kombinasyonunu belirlemek için makine öğrenimi (ML) tekniklerini kullandık. 303 katılımcı (119 PD, 184 HC) kendi kendine tempolu bir yürüyüşte 2 dakika boyunca bir devrenin etrafında sürekli olarak yürüdü. Gait, 16 yürüyüş karakteristiğinin türetildiği ve değerlendirildiği enstrümanlı bir mat (GAITrit) kullanılarak nicelleştirildi. Gait özellikleri, destek vektör makinesi (SVM) ve lojistik regresyon ile en uygun yöntemi (bilgi kazanımı ve özyineleme özelliklerine sahip rastgele orman) belirlemek için farklı ML yaklaşımları kullanılarak seçildi. RFE-SVM (anlam adım hızı, ortalama adım uzunluğu, adım uzunluğu değişkenliği, ortalama adım genişliği ve adım genişliği değişkenliği) ile PD'yi doğru bir şekilde sınıflandıran beş klinik yürüyüş karakteristiği tanımlanmıştır. Erken PD'nin sınıflandırılması için model doğruluğu %73-97 arasında, %63-100% hassasiyet ve %79-94 özgüllük arasında değişmektedir. Sonuç olarak, PD'nin doğru erken sınıflandırılması için yürüyüş özelliklerinin bir alt kümesini belirledik. Bu bulgular, bilinçli klinik karar vermeyi desteklemek için ML tekniklerinin faydasını daha iyi anlamanın yolunu açmaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurodegenerative disease; gait impairments are typical and are associated with increased fall risk and poor quality of life. Gait is potentially a useful biomarker to help discriminate PD at an early stage, however the optimal characteristics and combination are unclear. In this study, we used machine learning (ML) techniques to determine the optimal combination of gait characteristics to discriminate people with PD and healthy controls (HC). 303 participants (119 PD, 184 HC) walked continuously around a circuit for 2-minutes at a self-paced walk. Gait was quantified using an instrumented mat (GAITRite) from which 16 gait characteristics were derived and assessed. Gait characteristics were selected using different ML approaches to determine the optimal method (random forest with information gain and recursive features elimination (RFE) technique with support vector machine (SVM) and logistic regression). Five clinical gait characteristics were identified with RFE-SVM (mean step velocity, mean step length, step length variability, mean step width, and step width variability) that accurately classified PD. Model accuracy for classification of early PD ranged between 73-97% with 63-100% sensitivity and 79-94% specificity. In conclusion, we identified a subset of gait characteristics for accurate early classification of PD. These findings pave the way for a better understanding of the utility of ML techniques to support informed clinical decision-making.
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.