NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı demansı (PDD) ile Alzheimer demansı (AD) gibi diğer demans tiplerini ayırt edebilen bir tahmin modeli geliştirmek için, depresyon ve hızlı göz hareketi (REM) uyku davranış bozuklukları gibi motor olmayan semptomları göz önünde bulundurarak bilişsel profilin tahmin doğruluğunu değerlendirmek ve tanımlamak gerekir. Bu çalışma Parkinson hastalığını (PD) motor olmayan semptomları ve makine öğrenimi kullanarak AD ve PD'yi ayıran bilişsel profillerin tanısal tahmin gücünü karşılaştırdı. Bu çalışma, AD'li 118 ve PDD'li 110 hastayı analiz etti ve tüm denekler 60 yaş veya daha yaşlıydı. PDD tahmin modelini geliştirmek için, veri kümesi eğitim verileri (%70) ve test verileri (%30) olarak ikiye ayrıldı. Modelin tahmin doğruluğu tanıma oranı ile hesaplanmıştır. Bu çalışmanın sonuçları, Parkinson ile ilişkili motor olmayan semptomların, örneğin REM uyku davranış bozukluklarının ve Montreal Bilişsel Değerlendirmesi'nin Kore versiyonu gibi bilişsel tarama testlerinin PDD'yi tahmin etmek için son derece doğru faktörler olduğunu göstermektedir. Bu sonuçlara dayanarak erken aşamada PDD'yi tespit edebilen özelleştirilmiş tarama testleri geliştirmek gerekir. Ayrıca, beyin görüntüleri veya beyin omurilik sıvısı gibi biyobelirteçlerin girdi değişkenleri olarak dahil edilmesinin gelecekte PDD tahmin modelleri geliştirmek için daha yararlı olacağına inanılmaktadır.
Özgün kaynak özetini okuyun
In order to develop a predictive model that can distinguish Parkinson's disease dementia (PDD) from other dementia types, such as Alzheimer's dementia (AD), it is necessary to evaluate and identify the predictive accuracy of the cognitive profile while considering the non-motor symptoms, such as depression and rapid eye movement (REM) sleep behavior disorders. This study compared Parkinson's disease (PD)'s non-motor symptoms and the diagnostic predictive power of cognitive profiles that distinguish AD and PD using machine learning. This study analyzed 118 patients with AD and 110 patients with PDD, and all subjects were 60 years or older. In order to develop the PDD prediction model, the dataset was divided into training data (70%) and test data (30%). The prediction accuracy of the model was calculated by the recognition rate. The results of this study show that Parkinson-related non-motor symptoms, such as REM sleep behavior disorders, and cognitive screening tests, such as Korean version of Montreal Cognitive Assessment, were highly accurate factors for predicting PDD. It is required to develop customized screening tests that can detect PDD in the early stage based on these results. Furthermore, it is believed that including biomarkers such as brain images or cerebrospinal fluid as input variables will be more useful for developing PDD prediction models in the future.
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.