NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yaşlı nüfusun artan sayısı ile Parkinson hastalığı (PD) etkilenen insanların sayısı da artmaktadır. Ne yazık ki, az gelişmiş ülkelerde yetersiz kaynak ve farkındalık nedeniyle, uygun ve zamanında PD tespiti son derece zor. Ayrıca, tüm PD hastalarının semptomları aynı değildir ve hepsi hastalığın aynı aşamasında belirgin hale gelir. Bu nedenle, bu çalışma akıllı telefonlar kullanarak uzaktan veri toplayarak birden fazla semptomu (dinlenme titremesi ve ses bozulması) birleştirmeyi ve gelişmekte olan ülkelerdeki PD hastalarına telemonitörlük yapmak için bulut tabanlı bir makine öğrenme sisteminin yardımıyla PD'yi tespit etmeyi amaçlamaktadır.MetodBu önerilen sistem, akıllı telefonlar tarafından yerleşik ivmeölçer ve ses kaydedici sensörleri ile elde edilen dinlenme titremesi ve sesli telefon verilerini alır. Veriler öncelikle teşhis edilen PD hastalarından ve sağlıklı insanlardan, daha yüksek performans sergileyen makine öğrenimi modellerini oluşturmak ve optimize etmek için toplanır. Bundan sonra, yeni şüpheli PD hastalarından veriler toplanır ve eğitimli algoritmalar PD'yi tespit etmek için değerlendirilir. Bu algoritmalardan elde edilen oy çoğunluğuna dayanarak, PD tespit edilen hastalar danışma için yakındaki bir nörologla bağlantılıdır. Nörolog tarafından teşhis edildikten sonra hastaların geri bildirimlerini aldıktan sonra, sistem en son verileri kullanarak yeniden eğiterek modeli güncelleyebilir. Ayrıca, sistem periyodik olarak tespit edilen hastalardan hastalık ilerlemelerini izlemek için yeni veriler yüklemelerini ister.ResultPD tespitinde çevrimdışı verileri kullanarak en yüksek doğruluk, ses verilerinden [Formula: metine bakınız] ve [Formula: ayrı olarak kullanıldığında titreme verilerinden metine bakın] idi. Her iki durumda da, k-en yakın komşular (kNN), destek vektör makinesi (SVM) ve naif Bayes (NB) üzerinde en yüksek doğruluğu sağladı. Maksimum alakasal minimum fazlalık (MRMR) özellik seçim yönteminin uygulanması, hastanın cinsiyetine göre farklı özellik setleri seçerek tespit doğruluğunu artırabileceğimizi gösterdi. Bu çalışmanın yeniliği, ses ve titreme verilerinin analizinden elde edilen birleşik kararlar üzerinde topluluk ortalamalarının uygulanmasıdır. PD tespitinin ortalama doğruluğu [Formula: bkz. metin], topluluk averajı kNN, SVM ve NB.Conclusion'dan çoğunluk oyuyla yapıldığında, önerilen sistem, akıllı telefonlar tarafından yakalanan ses ve titreme örneklerinin hesaplama, veri koruma ve düzenli olarak izlenmesi için bulut tabanlı bir sistem kullanarak PD tespit edebilir. Bu nedenle, bu sistem, sağlık otoriteleri için, yaşlı nüfusun gelişmekte olan ülkelerde, özellikle COVID-19 gibi pandemi durumunda, kişisel izlemenin minimum olduğu durumlarda daha iyi bir tıbbi tanı sistemine erişebilmesini sağlamak için bir çözüm olabilir.
Özgün kaynak özetini okuyun
BackgroundWith the growing number of the aged population, the number of Parkinson's disease (PD) affected people is also mounting. Unfortunately, due to insufficient resources and awareness in underdeveloped countries, proper and timely PD detection is highly challenged. Besides, all PD patients' symptoms are neither the same nor they all become pronounced at the same stage of the illness. Therefore, this work aims to combine more than one symptom (rest tremor and voice degradation) by collecting data remotely using smartphones and detect PD with the help of a cloud-based machine learning system for telemonitoring the PD patients in the developing countries.MethodThis proposed system receives rest tremor and vowel phonation data acquired by smartphones with built-in accelerometer and voice recorder sensors. The data are primarily collected from diagnosed PD patients and healthy people for building and optimizing machine learning models that exhibit higher performance. After that, data from newly suspected PD patients are collected, and the trained algorithms are evaluated to detect PD. Based on the majority-vote from those algorithms, PD-detected patients are connected with a nearby neurologist for consultation. Upon receiving patients' feedback after being diagnosed by the neurologist, the system may update the model by retraining using the latest data. Also, the system requests the detected patients periodically to upload new data to track their disease progress.ResultThe highest accuracy in PD detection using offline data was [Formula: see text] from voice data and [Formula: see text] from tremor data when used separately. In both cases, k-nearest neighbors (kNN) gave the highest accuracy over support vector machine (SVM) and naive Bayes (NB). The application of maximum relevance minimum redundancy (MRMR) feature selection method showed that by selecting different feature sets based on the patient's gender, we could improve the detection accuracy. This study's novelty is the application of ensemble averaging on the combined decisions generated from the analysis of voice and tremor data. The average accuracy of PD detection becomes [Formula: see text] when ensemble averaging was performed on majority-vote from kNN, SVM, and NB.ConclusionThe proposed system can detect PD using a cloud-based system for computation, data preserving, and regular monitoring of voice and tremor samples captured by smartphones. Thus, this system can be a solution for healthcare authorities to ensure the older population's accessibility to a better medical diagnosis system in the developing countries, especially in the pandemic situation like COVID-19, when in-person monitoring is minimal.
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.