NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
ObjectiveParkinson Hastalığı (PD) için Derin Beyin Stimülasyonunun (DBS) bir dezavantajı, bilişsel fonksiyonun postoperatif olarak bozulabilmesidir. Elektroensefalografi (EEG) bir Makine Öğrenimi (ML) boru hattı kullanılarak biliş biyobelirteci olarak araştırıldı. MethodsA tam otomatik ML boru hattı 112 PD hastalarına uygulandı, EEG zaman serisini girdi olarak aldı ve sınıf etiketlerini çıktı olarak tahmin etti. En aşırı bilişsel puanlar sınıf farklılaşması için seçildi, yani en iyi ve en kötü bilişsel performans (n = 20 grup başına). Hasta başına 16,674 özellik çıkarıldı; Boruta algoritması kullanılarak özellik seçimi yapıldı. Rastgele bir orman sınıflandırması modellendi; genellenebilirliği sağlamak için Bayesian optimizasyonu ile 10 kat çapraz doğrulama yapıldı. Tüm kohortun tahmin edilen sınıf olasılıkları gerçek bilişsel performansla karşılaştırıldı.SonuçlarHer iki grup da ortalama 0.92 doğrulukla ayırt edildi; Sadece oksipital tepe frekansı kullanılarak 0.67 doğruluk elde edildi. Sınıf-olasılıkları ve gerçek bilişsel performans negatif doğrusal korelasyon (beta = -0.23 (%95 güven aralığı (-0.29, -0.18)))).ConclusionsÖzellikle yüksek accuracies tek bir spektral EEG özelliği yerine, bilişe göre PD hastaları sınıflandırmak için otomatik olarak çıkarılan EEG biyobelirteçleri bir bileşik kullanılarak elde edilmiştir.SignificanceAumatic EEG değerlendirmesi, DBS tarama sırasında PD hastalarının bilişsel profilleme için yararlı olabilir.
Özgün kaynak özetini okuyun
ObjectiveA downside of Deep Brain Stimulation (DBS) for Parkinson's Disease (PD) is that cognitive function may deteriorate postoperatively. Electroencephalography (EEG) was explored as biomarker of cognition using a Machine Learning (ML) pipeline.MethodsA fully automated ML pipeline was applied to 112 PD patients, taking EEG time-series as input and predicted class-labels as output. The most extreme cognitive scores were selected for class differentiation, i.e. best vs. worst cognitive performance (n = 20 per group). 16,674 features were extracted per patient; feature-selection was performed using a Boruta algorithm. A random forest classifier was modelled; 10-fold cross-validation with Bayesian optimization was performed to ensure generalizability. The predicted class-probabilities of the entire cohort were compared to actual cognitive performance.ResultsBoth groups were differentiated with a mean accuracy of 0.92; using only occipital peak frequency yielded an accuracy of 0.67. Class-probabilities and actual cognitive performance were negatively linearly correlated (β = -0.23 (95% confidence interval (-0.29, -0.18))).ConclusionsParticularly high accuracies were achieved using a compound of automatically extracted EEG biomarkers to classify PD patients according to cognition, rather than a single spectral EEG feature.SignificanceAutomated EEG assessment may have utility for cognitive profiling of PD patients during the DBS screening.
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.