NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Subtalamik çekirdeğin (STN) arka planıDeep beyin stimülasyonu (DBS) gelişmiş Parkinson hastalığının (PD) motor semptomlarını iyileştirmek için etkili bir tedavidir. Uyarım elektrotlarının doğru konumlandırılması daha iyi klinik sonuçlar için gereklidir.ObjectiveGelişmiş PD'li hastalarda ikili STN DBS sonrası UPDRS bölüm III puanları ile temsil edilen motor fonksiyon iyileştirmesini daha iyi tahmin etmek için mikroelektrot kayıt (MER) sinyallerine derin öğrenme teknikleri uyguladık. Derin öğrenme ile MER ile en uygun uyarım noktasını bulursak, hastaların genel anestezi veya işbirliği yapılmaması gibi kısıtlamalar altında bile STN DBS'nin klinik sonucunu geliştirebiliriz. Metodlar Toplamda, genel anestezi altında bilateral STN DBS ameliyatı geçiren ileri PD'li 34 hastadan 696 4-saniye sol-yan MER segmenti dahil edildi. Orijinal sinyali 1-50 Hz, 50-500 Hz ve 500-5.000 Hz'lik üç dalgacık haline dönüştürdük. Wavelet-dönüştürülmüş MER, derin öğrenmenin girdi verileri için kullanıldı. Hastalar, DBS'ye göre iyi yanıt ve orta yanıt grupları olmak üzere iki gruba ayrıldı ve ilaç dışı durum için UPDRS bölüm III puanının kapalı oranına göre, ameliyat sonrası 6 ay. Bu oran, derin öğrenmede çıktı verileri için kullanıldı. DBS'nin ikili etkisini tahmin etmek için çoklu görev öğrenme algoritmasına sahip Visual Geometri Group (VGG)-16 modeli kullanıldı. Göreve özel katmandaki kayıp fonksiyonunun farklı oranları, DBS'nin her iki tarafı da farklı şekilde etkilediği dikkate alınarak uygulandı.SonuçlarMER sinyallerini frekansa göre böldüğümüzde, 50-500 Hz grubunda maksimum doğruluk 1-50 Hz ve 500-5.000 Hz gruplarına göre daha yüksekti. Buna ek olarak, çoklu görev öğrenme yöntemi uygulandığında, modelin istikrarı tek görev öğrenme ile karşılaştırıldığında geliştirildi. Maksimum doğruluk (%80.21) sağdan sola kayıp oranı 5:1 veya 6:1 olduğunda meydana geldi. Eğrinin altındaki alan (AUC) alıcının çalışma karakteristiği (ROC) eğrisinde 0.88 idi. Bilateral STN DBS geçiren PD hastalarında konvansiyonKlinik gelişmeler, çoklu görev derin öğrenme tabanlı MER analizine dayanarak tahmin edilebilir.
Özgün kaynak özetini okuyun
BackgroundDeep brain stimulation (DBS) of the subthalamic nucleus (STN) is an effective treatment for improving the motor symptoms of advanced Parkinson's disease (PD). Accurate positioning of the stimulation electrodes is necessary for better clinical outcomes.ObjectiveWe applied deep learning techniques to microelectrode recording (MER) signals to better predict motor function improvement, represented by the UPDRS part III scores, after bilateral STN DBS in patients with advanced PD. If we find the optimal stimulation point with MER by deep learning, we can improve the clinical outcome of STN DBS even under restrictions such as general anesthesia or non-cooperation of the patients.MethodsIn total, 696 4-second left-side MER segments from 34 patients with advanced PD who underwent bilateral STN DBS surgery under general anesthesia were included. We transformed the original signal into three wavelets of 1-50 Hz, 50-500 Hz, and 500-5,000 Hz. The wavelet-transformed MER was used for input data of the deep learning. The patients were divided into two groups, good response and moderate response groups, according to DBS on to off ratio of UPDRS part III score for the off-medication state, 6 months postoperatively. The ratio were used for output data in deep learning. The Visual Geometry Group (VGG)-16 model with a multitask learning algorithm was used to estimate the bilateral effect of DBS. Different ratios of the loss function in the task-specific layer were applied considering that DBS affects both sides differently.ResultsWhen we divided the MER signals according to the frequency, the maximal accuracy was higher in the 50-500 Hz group than in the 1-50 Hz and 500-5,000 Hz groups. In addition, when the multitask learning method was applied, the stability of the model was improved in comparison with single task learning. The maximal accuracy (80.21%) occurred when the right-to-left loss ratio was 5:1 or 6:1. The area under the curve (AUC) was 0.88 in the receiver operating characteristic (ROC) curve.ConclusionClinical improvements in PD patients who underwent bilateral STN DBS could be predicted based on a multitask deep learning-based MER analysis.
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.