Data-Driven Models for Objective Grading Improvement of Parkinson's Disease.

Araştırma özeti

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

Parkinson hastalığı (PD), etkilenen hastalarda motor disfonksiyonlara neden olan merkezi sinir sisteminin ilerici bir bozukluğudur. Semptomların objektif olarak değerlendirilmesi, iyi değerlendirmelerde nörologları destekleyebilir ve hastaların bakım kalitesini artırabilir. Burada, bu çalışma, PD ciddiyet seviyelerini tahmin etmek için kinematik özelliklerin potansiyelini araştırmak için regresyon algoritmalarına dayanan veri odaklı modeller geliştirmeyi amaçladı. PD (PwPD) ve 50 sağlıklı kontrol (HC) hastasından giyilebilir atalet sensörleri takarken MDS-UPDRS III'ten 13 motor görevi yapmaları istendi. Eş zamanlı olarak, klinisyen MDS-UPDRS puanlarına dayalı görevlerin değerlendirilmesini sağladı. Atalet motor verilerinden yüz doksan kinematik özellik çıkarıldı. Veri işleme ve istatistiksel analiz, HC ve PwPD'yi ayırt edebilen bir dizi parametre tanımladı. Daha sonra, çoklu özellik seçim yöntemleri, birkaç tahmin eden regresyon algoritması için girdi olarak kullanıldığında en büyük doğruluğu elde etmek için en iyi parametre alt kümesinin seçilmesine izin verdi. 0.814'e eşit olan maksimum korelasyon katsayısı adaptif nöro bulanık çıkarım sistemi (ANFIS) ile elde edilmiştir. Bu nedenle, bu öngörücü model, hareket performansına dayalı PD ciddiyet seviyelerinin güvenilir bir objektif değerlendirmesi için bir karar destek sistemi olarak yararlı olabilir ve hastaların zaman içinde izlenmesini iyileştirir.

Özgün kaynak özetini okuyun

Parkinson's disease (PD) is a progressive disorder of the central nervous system that causes motor dysfunctions in affected patients. Objective assessment of symptoms can support neurologists in fine evaluations, improving patients' quality of care. Herein, this study aimed to develop data-driven models based on regression algorithms to investigate the potential of kinematic features to predict PD severity levels. Sixty-four patients with PD (PwPD) and 50 healthy subjects of control (HC) were asked to perform 13 motor tasks from the MDS-UPDRS III while wearing wearable inertial sensors. Simultaneously, the clinician provided the evaluation of the tasks based on the MDS-UPDRS scores. One hundred-ninety kinematic features were extracted from the inertial motor data. Data processing and statistical analysis identified a set of parameters able to distinguish between HC and PwPD. Then, multiple feature selection methods allowed selecting the best subset of parameters for obtaining the greatest accuracy when used as input for several predicting regression algorithms. The maximum correlation coefficient, equal to 0.814, was obtained with the adaptive neuro-fuzzy inference system (ANFIS). Therefore, this predictive model could be useful as a decision support system for a reliable objective assessment of PD severity levels based on motion performance, improving patients monitoring over time.

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.