NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait analizi Parkinson hastalığının (PD) teşhisinde önemli bir rol oynar, çünkü hastalar genellikle sağlıklı kontrollere kıyasla anormal yürüyüş kalıpları sergilerler. Mevcut tanı ve ciddiyet değerlendirme prosedürleri, motor görevlerin, konuşmanın ve el yazısının, uzmanlıklarına ve yürüyüş görevlerini görsel olarak gözlemlemelerine bağlı olarak klinisyenler arasında değişebilen çok sayıda başka testin yanı sıra manuel görsel incelemelerini gerektirir. Yürüyüş farklılaştırma prosedürünün otomatikleştirilmesi, PD'nin erken tanı ve ciddiyet değerlendirmesinde yararlı bir araç olarak hizmet edebilir ve veri toplamayı yalnızca yürüyüşle sınırlar. Bu araştırmada, PD şiddetini sadece Dikey Zemin Reaksiyon Gücü (VGRF) kullanarak erken ve orta evrelerinde teşhis etmek ve değerlendirmek için bütünsel, müdahaleci olmayan bir yöntem önerilmiştir. VGRF verilerinden, yürüyüş özellikleri çıkarılır ve çapraz doğrulama kullanarak PD'yi teşhis etmek için Yapay Sinir Ağı (ANN) modeli için eğitim özellikleri olarak kullanılmak üzere seçilir. Teşhis pozitifse, başka bir ANN modeli, aynı VGRF verilerini kullanarak PD ciddiyetlerini değerlendirmek için Hoehn ve Yahr (H&Y) puanlarını tahmin edecektir. PD Tanı basit ağ mimarisi kullanılarak %97,4'lük yüksek doğrulukla elde edilir. Ek olarak, sonuçlar daha önce araştırılmış diğer karmaşık makine öğrenme modellerine kıyasla daha iyi bir performans göstermektedir. Severity Assessment, H&Y ölçeğinde de %87,1 doğrulukla gerçekleştirilir. Bu çalışmanın sonuçları, erken evre Parkinson Hastalığı'nın teşhisinde ve değerlendirilmesinde yalnızca VGRF verilerini kullanmanın makul olduğunu, hastaların semptomları daha erken yönetmelerine ve daha iyi bir yaşam kalitesi sağlamalarına yardımcı olduğunu göstermektedir.
Özgün kaynak özetini okuyun
Gait analysis plays a key role in the diagnosis of Parkinson's Disease (PD), as patients generally exhibit abnormal gait patterns compared to healthy controls. Current diagnosis and severity assessment procedures entail manual visual examinations of motor tasks, speech, and handwriting, among numerous other tests, which can vary between clinicians based on their expertise and visual observation of gait tasks. Automating gait differentiation procedure can serve as a useful tool in early diagnosis and severity assessment of PD and limits the data collection to solely walking gait. In this research, a holistic, non-intrusive method is proposed to diagnose and assess PD severity in its early and moderate stages by using only Vertical Ground Reaction Force (VGRF). From the VGRF data, gait features are extracted and selected to use as training features for the Artificial Neural Network (ANN) model to diagnose PD using cross validation. If the diagnosis is positive, another ANN model will predict their Hoehn and Yahr (H&Y) score to assess their PD severity using the same VGRF data. PD Diagnosis is achieved with a high accuracy of 97.4% using simple network architecture. Additionally, the results indicate a better performance compared to other complex machine learning models that have been researched previously. Severity Assessment is also performed on the H&Y scale with 87.1% accuracy. The results of this study show that it is plausible to use only VGRF data in diagnosing and assessing early stage Parkinson's Disease, helping patients manage the symptoms earlier and giving them a better quality of life.
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.