NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) olan hastaların %90'ına kadarı sonunda hipokinetik disartri (HD) olarak adlandırılan konuşma ve ses bozukluğunu geliştirir. Bununla birlikte, HD ile ilişkili beyin morfolojik değişiklikleri araştırılmamıştır. Dahası, nörogörüntülemeye dayalı HD'nin ciddiyetini tahmin etmek için henüz güvenilir bir model geliştirilmemiştir. MetodlarBu çalışmaya toplam 134 PD hastası dahil edildi ve bir eğitim setine ve bir test setine bölündü. Tüm katılımcılara yapısal manyetik rezonans görüntüleme (MRI) taraması ve nöropsikolojik değerlendirme yapıldı. Bireysel kortikal kalınlık, subkortikal yapı ve beyaz madde hacmi çıkarıldı ve HD şiddeti ile olan ilişkileri analiz edildi. Özellik seçiminden sonra, eğitim setinde bir destek vektör makinesi kullanılarak bir makine öğrenme modeli kuruldu. HD'nin şiddeti daha sonra test setinde tahmin edildi.SonuçlarSağ precentral korteksin atrofisi ve sağ fusiform girus HD ile önemli ölçüde ilişkiliydi. HD ile beyaz madde hacmi veya subkortikal yapılar arasında hiçbir ilişki bulunamadı. Makine öğreniminin HD ciddiyet tahmini üzerinde olumlu ve optimal performansı, özellik seçimi kullanılarak elde edildi ve .7516 korelasyon katsayısı (r) ve .5649'luk bir kararlılık katsayısı (R2) verildi (P SonuçBeyin morfolojik değişiklikleri HD ile ilişkilendirildi. HD'nin ciddiyetinin mükemmel tahmini, nörogörüntülemeye dayalı makine öğrenimi kullanılarak elde edildi.
Özgün kaynak özetini okuyun
BackgroundUp to 90% of patients with Parkinson's disease (PD) eventually develop the speech and voice disorder referred to as hypokinetic dysarthria (HD). However, the brain morphological changes associated with HD have not been investigated. Moreover, no reliable model for predicting the severity of HD based on neuroimaging has yet been developed.MethodsA total of 134 PD patients were included in this study and divided into a training set and a test set. All participants underwent a structural magnetic resonance imaging (MRI) scan and neuropsychological evaluation. Individual cortical thickness, subcortical structure, and white matter volume were extracted, and their association with HD severity was analyzed. After feature selection, a machine-learning model was established using a support vector machine in the training set. The severity of HD was then predicted in the test set.ResultsAtrophy of the right precentral cortex and the right fusiform gyrus was significantly associated with HD. No association was found between HD and volume of white matter or subcortical structures. Favorable and optimal performance of machine learning on HD severity prediction was achieved using feature selection, giving a correlation coefficient (r) of .7516 and a coefficient of determination (R2 ) of .5649 (P ConclusionThe brain morphological changes were associated with HD. Excellent prediction of the severity of HD was achieved using machine learning based on neuroimaging.
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.