NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Smartwatches Parkinson Hastalığı (PD) teknoloji tabanlı değerlendirmeler sağlar. Bu cihazları bir değerlendirmeye dahil etmek için güvenilirliklerini ve doğruluklarını değerlendirmek gerekir. Makine öğrenimi (ML) yoluyla sensör doğrulaması ve hastalık sınıflandırması için benzersiz sonuçlar sunuyoruz. Bir karşılaştırma kurulumu, titreme benzeri genlikleri ve frekansları ölçmek için iki farklı Apple akıllı saat serisi, bir Nanometrik sismometre ve yüksek hassasiyetli bir çalkalayıcı ile tasarlanmıştır. Klinik smartwatch ölçümleri, PD'li 450 katılımcı, diferansiyel tanılar (DD) ve sağlıklı katılımcılar dahil olmak üzere prospektif bir çalışmadan elde edildi. Tüm katılımcılar 15 dakikalık bir muayene boyunca iki akıllı saat giydi. Semptomlar ve tıbbi geçmiş eşleştirilmiş akıllı telefonda yakalandı. Her iki akıllı saatin genlik hatası 0.005 g'a ve ölçülen frekanslar için 0.01 Hz'e kadar ulaşır. Çok çeşitli farklı ML sınıflandırıcıları çapraz doğrulandı. PD'yi ayırt etmenin en gelişmiş görevi. DD, %74,1 dengeli doğruluk, %86,5 hassasiyet ve % 90,5 geri çağırma ile Çok Katmanlı Algılayıcılar tarafından değerlendirildi. Derin öğrenme mimarileri tüm sınıflandırma görevlerinde önemli ölçüde yetersiz kalmıştır. Akıllı saatler düşük gürültü ile ince titreme işaretleri yakalama yeteneğine sahiptir. Akıllı saatler ile sismometre arasındaki amplitude ve frekans farklılıkları klinik önem seviyesinin altındaydı. Bu çalışma, iki el akıllı saat ölçümlerinin en büyük PD örnek boyutunu sağladı ve ön ML-değerlendirmemiz, böyle bir sistemin tanı sınıflandırması ve yeni dijital biyobelirteçler için güçlü araçlar sağladığını gösteriyor, ancak benzer bozuklukları ayırt etmek için zor olmaya devam ediyor.
Özgün kaynak özetini okuyun
Smartwatches provide technology-based assessments in Parkinson's Disease (PD). It is necessary to evaluate their reliability and accuracy in order to include those devices in an assessment. We present unique results for sensor validation and disease classification via machine learning (ML). A comparison setup was designed with two different series of Apple smartwatches, one Nanometrics seismometer and a high-precision shaker to measure tremor-like amplitudes and frequencies. Clinical smartwatch measurements were acquired from a prospective study including 450 participants with PD, differential diagnoses (DD) and healthy participants. All participants wore two smartwatches throughout a 15-min examination. Symptoms and medical history were captured on the paired smartphone. The amplitude error of both smartwatches reaches up to 0.005 g, and for the measured frequencies, up to 0.01 Hz. A broad range of different ML classifiers were cross-validated. The most advanced task of distinguishing PD vs. DD was evaluated with 74.1% balanced accuracy, 86.5% precision and 90.5% recall by Multilayer Perceptrons. Deep-learning architectures significantly underperformed in all classification tasks. Smartwatches are capable of capturing subtle tremor signs with low noise. Amplitude and frequency differences between smartwatches and the seismometer were under the level of clinical significance. This study provided the largest PD sample size of two-hand smartwatch measurements and our preliminary ML-evaluation shows that such a system provides powerful means for diagnosis classification and new digital biomarkers, but it remains challenging for distinguishing similar disorders.
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.