Using Wearable Sensors and Machine Learning to Automatically Detect Freezing of Gait during a FOG-Provoking Test.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Yürüyüşün dondurulması (FOG), ileri Parkinson hastalığı olan bireyler arasında yaygın olan zayıflatıcı bir motor fenomenidir. FOG'u daha iyi ölçmek için objektif ve hassas önlemlere ihtiyaç vardır. Mevcut çalışma, FOG'nun otomatik tespitini ve ciddiyetini ölçmek ve değerlendirmek için giyilebilir cihazlar ve makine öğrenme yöntemlerinden yararlanarak bu ihtiyacı gidermektedir. FOG'lu yetmiş bir denek, üç giyilebilir sensör (daha düşük sırt ve her ayak bileği) giyerken FOG provoke edici bir testi tamamladı. Denekler (OFF durumu) önce videoya çekildi ve (ON durumu) sonra antiparkinsonik ilaçlarını aldılar. Videoların ek açıklamaları FOG tespiti için "yer gerçeği" sağladı. 57 denekten oluşan bir eğitim setine sahip bir tek hastalı doğrulama süreci, FOG tespiti için %84.1 hassasiyet, %83.4 özgüllük ve %85.0 doğruluk ile sonuçlandı. Benzer sonuçlar bağımsız bir test setinde görüldü (diğer 14 denekten elde edilen veriler). İki türetilmiş sonuç, yüzde donmuş zaman ve FOG bölümlerinin sayısı, FOG'un kendi kendini bildirmesiyle ilişkilendirildi. Daha fazla türetilmiş metrik, OFF durumunda ON durumundan daha yüksekti ve FOG provoke edici testin en zorlu seviyesinde, en az zorlu seviyeye kıyasla daha yüksekti. Bu sonuçlar, bu otomatik makine öğrenme yaklaşımının FOG'yu objektif olarak değerlendirebileceğini ve sonuçlarının terapötik müdahalelere duyarlı olduğunu göstermektedir.

Özgün kaynak özetini okuyun

Freezing of gait (FOG) is a debilitating motor phenomenon that is common among individuals with advanced Parkinson's disease. Objective and sensitive measures are needed to better quantify FOG. The present work addresses this need by leveraging wearable devices and machine-learning methods to develop and evaluate automated detection of FOG and quantification of its severity. Seventy-one subjects with FOG completed a FOG-provoking test while wearing three wearable sensors (lower back and each ankle). Subjects were videotaped before (OFF state) and after (ON state) they took their antiparkinsonian medications. Annotations of the videos provided the "ground-truth" for FOG detection. A leave-one-patient-out validation process with a training set of 57 subjects resulted in 84.1% sensitivity, 83.4% specificity, and 85.0% accuracy for FOG detection. Similar results were seen in an independent test set (data from 14 other subjects). Two derived outcomes, percent time frozen and number of FOG episodes, were associated with self-report of FOG. Bother derived-metrics were higher in the OFF state than in the ON state and in the most challenging level of the FOG-provoking test, compared to the least challenging level. These results suggest that this automated machine-learning approach can objectively assess FOG and that its outcomes are responsive to therapeutic interventions.

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.