NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson sendromunda düşme (PS) postural istikrarsızlıkla ilişkilidir ve PS hastaları arasında yaygın bir sakatlık nedenidir. Mevcut postürografik uygulamalar vücudun basınç merkezi yer değiştirmesini (statokinesigram) kaydederken, hasta bir kuvvet platformu üzerinde durur. Statokinesigramlar, uygun işlemden sonra, çok sayıda postürografik özellik sunabilir. Bu gerçek, yararlı olmasına rağmen, standart tek değişkenli yaklaşımlar yoluyla geçerli istatistiklere yönelik çabalara meydan okuyor. Bu çalışmada, 123 PS hastası, klinik değerlendirmeye dayanarak faller (PSF) veya faller (PSNF) olarak sınıflandırıldı ve basit Romberg Testi (gözler açık / gözler kapalı) yapıldı. Statokinezigramların PSF ve PSNF arasındaki farklarını incelemek için makine öğrenimine dayalı parametrik olmayan çok değişkenli iki örnekli bir test (ts-AUC) geliştirdik. Postürografik özellikleri hem p-değeri ayarı hem de ts-AUC ile çoklu test kullanarak analiz ettik. ts-AUC gruplar arasında önemli bir fark gösterirken (p-değeri = 0.01), çoklu test bu sonuca katılmadı (gözler açık). PSF, antero-posterior hareketlerin yanı sıra PSNF'ye kıyasla artan postürografik alan gösterdi. Çalışmamız, çok boyutlu uzayda PSF ve PSNF'yi ayırt etmede standart istatistiksel araçlara kıyasla ts-AUC'nin üstünlüğünü vurgulamaktadır. Makine öğrenimine dayalı istatistiksel testler, klasik istatistiklerin doğal bir uzantısı olarak görülebilir ve özellikle çok faktörlü değerlendirmelerle uğraşırken dikkate alınmalıdır.
Özgün kaynak özetini okuyun
Falling in Parkinsonian syndromes (PS) is associated with postural instability and consists a common cause of disability among PS patients. Current posturographic practices record the body's center-of-pressure displacement (statokinesigram) while the patient stands on a force platform. Statokinesigrams, after appropriate processing, can offer numerous posturographic features. This fact, although beneficial, challenges the efforts for valid statistics via standard univariate approaches. In this work, 123 PS patients were classified into fallers (PSF) or non-faller (PSNF) based on the clinical assessment, and underwent simple Romberg Test (eyes open/eyes closed). We developed a non-parametric multivariate two-sample test (ts-AUC) based on machine learning, in order to examine statokinesigrams' differences between PSF and PSNF. We analyzed posturographic features using both multiple testing with p-value adjustment and ts-AUC. While ts-AUC showed significant difference between groups (p-value = 0.01), multiple testing did not agree with this result (eyes open). PSF showed significantly increased antero-posterior movements as well as increased posturographic area compared to PSNF. Our study highlights the superiority of ts-AUC compared to standard statistical tools in distinguishing PSF and PSNF in multidimensional space. Machine learning-based statistical tests can be seen as a natural extension of classical statistics and should be considered, especially when dealing with multifactorial assessments.
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.