NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), dünya çapında milyonlarca insanı etkileyen ikinci en yaygın nörodejeneratif hastalıktır. Konuya özgü tedavi (ilaç veya derin beyin stimülasyonu (DBS)) yönetim için kritiktir, ancak kesin değerlendirme kardinal PD semptomlarına bağlıdır - bradikinezi, sertlik ve titreme. Klinisyen tanı tedavinin temelidir, ancak sadece saatlik olarak değişebilen semptomların kesitsel olarak değerlendirilmesine izin verir ve insan muayeneciler arasında inter- ve intra-rater öznelliğe tabidir. Otomatik semptomatik değerlendirme, klinisyen ziyaretleri arasındaki tedavi rejimlerini optimize etmek için önemli ilgi çekmiştir, ancak giyilebilir hiçbir şey aynı anda üç kardinal semptomu da değerlendirme kapasitesine sahip değildir. Sertlik ölçümündeki zorluklar, kas aktivitesini klinik dışı ve sensör füzyonunun haritalandırılması çeviriyi engellemiştir. Bu çalışmada, hepsini yeni bir giyilebilir sensör sistemi ve makine öğrenme algoritmaları aracılığıyla ele alıyoruz. Sensör sistemi bir kuvvet sensörü, üç atalet ölçüm ünitesi (IMU) ve dört özel mekanomyografi (MMG) sensöründen oluşur. Sistem, PD hastalarında bradikinezi, sertlik ve titremenin nicel değerlendirmesine dayanan Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (UPDRS) puanlarını tahmin etme kapasitesinde test edildi. 23 PD hastası klinisyen tedavisi ile yapılan sınavlara paralel olarak sensör sistemi ile test edilmiş ve 10 sağlıklı denek karşılaştırma kontrol grubu olarak işe alınmıştır. Sonuçlar, sistemin tüm semptomlar için UPDRS puanlarını doğru bir şekilde tahmin ettiğini (doktor değerlendirmesi ile ortalama %85,4 eşleşme) ve sağlıklı denekler ile PD hastaları arasında ayrımcılık yaptığını (ortalama %96,6) kanıtlamaktadır. MGM özellikleri, klinik dışı PD semptomlarındaki şiddetin ve dalgalanmaların uzaktan izlenmesi için de kullanılabilir. Bu kapalı döngü geri besleme sistemi, bireysel olarak uyarlanmış ve düzenli olarak güncellenmiş tedaviyi mümkün kılarak, çok büyük bir hasta popülasyonu için daha iyi sonuçları kolaylaştırır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurodegenerative disease affecting millions worldwide. Bespoke subject-specific treatment (medication or deep brain stimulation (DBS)) is critical for management, yet depends on precise assessment cardinal PD symptoms - bradykinesia, rigidity and tremor. Clinician diagnosis is the basis of treatment, yet it allows only a cross-sectional assessment of symptoms which can vary on an hourly basis and is liable to inter- and intra-rater subjectivity across human examiners. Automated symptomatic assessment has attracted significant interest to optimise treatment regimens between clinician visits, however, no wearable has the capacity to simultaneously assess all three cardinal symptoms. Challenges in the measurement of rigidity, mapping muscle activity out-of-clinic and sensor fusion have inhibited translation. In this study, we address all through a novel wearable sensor system and machine learning algorithms. The sensor system is composed of a force-sensor, three inertial measurement units (IMUs) and four custom mechanomyography (MMG) sensors. The system was tested in its capacity to predict Unified Parkinson's Disease Rating Scale (UPDRS) scores based on quantitative assessment of bradykinesia, rigidity and tremor in PD patients. 23 PD patients were tested with the sensor system in parallel with exams conducted by treating clinicians and 10 healthy subjects were recruited as a comparison control group. Results prove the system accurately predicts UPDRS scores for all symptoms (85.4% match on average with physician assessment) and discriminates between healthy subjects and PD patients (96.6% on average). MMG features can also be used for remote monitoring of severity and fluctuations in PD symptoms out-of-clinic. This closed-loop feedback system enables individually tailored and regularly updated treatment, facilitating better outcomes for a very large patient population.
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.