NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Alzheimer ve Parkinson gibi nörodejeneratif hastalıklar dünya çapında milyonlarca insanı etkilemektedir. Erken tanı, hastalıkların ilerlemesini yavaşlatma şansını büyük ölçüde artırdığı kanıtlanmıştır. Doğru tanı genellikle büyük miktarda hasta verisinin analizine dayanır ve bu nedenle geçmiş teşhisten öğrenebilen ve hastanın semptomlarının ve verilerinin karmaşık etkileşimleri yoluyla açıkça görebilen makine öğrenme algoritmalarından destek almak için kendini iyi ödünç verir. Ne yazık ki, birçok çağdaş makine öğrenimi tekniği, bir teşhis sunarken temel olarak kabul edilen bir özellik olan sonuçlara nasıl ulaştıklarına dair ayrıntıları açıklamada başarısız olur. Burada, teşhis tespitinde bu spesifik hatayı gidermek için formüle edilmiş algoritmik bir süreç olan Kişiselleştirilebilir Klinik Karar Destek Sistemimizi (PECLIDES) tanıtıyoruz. PECLIDES, bir tanıya yol açan karar verme süreci hakkında net bir fikir verir ve gri kutu modeli haline getirir. Algoritmamız, Masheyekhi ve Gras'ın veri entegrasyonu, kişisel tıp, kullanılabilirlik, görselleştirme ve etkileşimdeki temel çalışmalarını zenginleştirir. Karar destek sistemimiz, çeviri tıbbının bir operasyonudur. Rastgele ormanlara dayanır, kişiselleştirilebilir ve karar verme sürecine net bir bakış açısı sağlar. İyi yapılandırılmış bir kural kümesi oluşturulur ve karar verme sürecinin her kuralı kullanıcı (fizikçi) tarafından gözlemlenebilir. Ayrıca, kullanıcının nihai kural kümesinin oluşturulması üzerinde bir etkisi vardır ve algoritma, aynı hastalıktaki bölgesel farklılıkların yanı sıra farklı hastalıkların karşılaştırılmasına izin verir. Algoritma çeşitli karar problemleri için geçerlidir. Bu makalede nörolojik hastalıkların teşhisi üzerinde değerlendireceğiz ve bu nedenle algoritmayı PECLIDES Neuro olarak adlandıracağız.
Özgün kaynak özetini okuyun
Neurodegenerative diseases such as Alzheimer's and Parkinson's impact millions of people worldwide. Early diagnosis has proven to greatly increase the chances of slowing down the diseases' progression. Correct diagnosis often relies on the analysis of large amounts of patient data, and thus lends itself well to support from machine learning algorithms, which are able to learn from past diagnosis and see clearly through the complex interactions of a patient's symptoms and data. Unfortunately, many contemporary machine learning techniques fail to reveal details about how they reach their conclusions, a property considered fundamental when providing a diagnosis. Here we introduce our Personalisable Clinical Decision Support System (PECLIDES), an algorithmic process formulated to address this specific fault in diagnosis detection. PECLIDES provides a clear insight into the decision-making process leading to a diagnosis, making it a gray box model. Our algorithm enriches the fundamental work of Masheyekhi and Gras in data integration, personal medicine, usability, visualization, and interactivity. Our decision support system is an operation of translational medicine. It is based on random forests, is personalisable and allows a clear insight into the decision-making process. A well-structured rule set is created and every rule of the decision-making process can be observed by the user (physician). Furthermore, the user has an impact on the creation of the final rule set and the algorithm allows the comparison of different diseases as well as regional differences in the same disease. The algorithm is applicable to various decision problems. In this paper we will evaluate it on diagnosing neurological diseases and therefore refer to the algorithm as PECLIDES Neuro.
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.