NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Ataksi şiddetinin sık, objektif ve kesin bir şekilde ölçülmesini sağlayan teknolojiler, katılım engellerini azaltarak ve hastalık durumunu ve değişimini ölçme yeteneğini geliştirerek klinik çalışmalara fayda sağlayacaktır. Ulaşılan bir görev sırasında elde edilen alt-ikinci hareket profillerinin özelliklerinin analiz edilmesinin, ataksinin motor özelliklerinin nesnel olarak ölçülmesi için yararlı olacağını varsaymıştık. Ataksi (N=88), parkinsonizm (N=44) ve sağlıklı kontrollere sahip katılımcılar (N=34) bileklerinde atalet sensörleri takarken parmak burun testinin bilgisayar tablet versiyonunu gerçekleştirdiler. Ataksi belirtilerini yakalamak için tasarlanan veri özellikleri, katılımcıların ayrıştırılmış bilek hızı zaman serisinden çıkarıldı. Bir makine öğrenimi regresyon modeli, Brief Ataxia Rating Scale (BARS) tarafından ölçüldüğü gibi genel ataksi ciddiyetini tahmin etmek için eğitildi. Sınıflandırma modelleri, ataksi katılımcıları ve kontrolleri ile ataksi ve parkinsonizm fenotipleri arasında ayrım yapmak için eğitildi. Hareket ayrışması, ataksia fenotipinin beklenen ve yeni özelliklerini ortaya çıkardı. Çürümüş hareketlerin uzaklığı, hızı, süresi, morfolojisi ve zamansal ilişkileri hastalık şiddeti ile güçlü ilişkiler sergiledi. Regresyon modeli, kök ortalama 3.6 puanlık kare hatası, r2 = 0.69 ve ortadan mükemmele güvenilirlik ile BAR'ları tahmin etti. Sınıflandırma modelleri, sırasıyla 0,96 ve 0,89 alıcı-işlem eğrisi altındaki alanlar ile ataksi katılımcıları ve kontrolleri ile ataksi ve parkinsonizm fenotipleri arasında ayrım yapmıştır. Hareket ayrışması ataksinin temel özelliklerini yakalar ve evde ve klinik ortamlarda ataksinin objektif, kesin ve sık değerlendirilmesi için yararlı olabilir.
Özgün kaynak özetini okuyun
Technologies that enable frequent, objective, and precise measurement of ataxia severity would benefit clinical trials by lowering participation barriers and improving the ability to measure disease state and change. We hypothesized that analyzing characteristics of sub-second movement profiles obtained during a reaching task would be useful for objectively quantifying motor characteristics of ataxia. Participants with ataxia (N=88), participants with parkinsonism (N=44), and healthy controls (N=34) performed a computer tablet version of the finger-to-nose test while wearing inertial sensors on their wrists. Data features designed to capture signs of ataxia were extracted from participants' decomposed wrist velocity time-series. A machine learning regression model was trained to estimate overall ataxia severity, as measured by the Brief Ataxia Rating Scale (BARS). Classification models were trained to distinguish between ataxia participants and controls and between ataxia and parkinsonism phenotypes. Movement decomposition revealed expected and novel characteristics of the ataxia phenotype. The distance, speed, duration, morphology, and temporal relationships of decomposed movements exhibited strong relationships with disease severity. The regression model estimated BARS with a root mean square error of 3.6 points, r2 = 0.69, and moderate-to-excellent reliability. Classification models distinguished between ataxia participants and controls and ataxia and parkinsonism phenotypes with areas under the receiver-operating curve of 0.96 and 0.89, respectively. Movement decomposition captures core features of ataxia and may be useful for objective, precise, and frequent assessment of ataxia in home and clinic environments.
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.