NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı ilaç tedavisi planlaması genellikle klinik, hekim-hasta etkileşimleri yoluyla elde edilen öznel verilere dayanır. Kişisel KinetiGraphTM (PKG) ve benzer giyilebilir sensörler Parkinson hastaları için objektif, sürekli uzaktan sağlık izlemesini sağlamada umut vaat etmiştir. Bu kavram kanıtı çalışmasında, PKG'den objektif sensör verilerini kullanmayı ve levodopa rejimlerine ve tepkilerine dayanarak hastaları kümelemek için makine öğrenmesini uygulamayı teklif ediyoruz. Elde edilen kümeler daha sonra bir doktorun ilk değerlendirmesini tamamlamak için geliştirilmiş başlangıç tedavi tahminleri sağlayarak tedavi planlamasını geliştirmek için kullanılır. K-anlamları kümelemeyi, MDS-Birleşik Parkinson Hastalığı Değerlendirme Ölçeği-III (MDS-UPDRS-III) ve hareket evreleme için PKG sensörü tarafından klinik olarak değerlendirilen bir veri kümesine uygularız. Daha sonra hastaların kendi demografik bilgilerine, MDS-UPDRS-III puanlarına ve PKG zaman serisi verilerine dayanarak küme tahsisini tahmin etmek için rastgele bir orman sınıflandırma modeli kullanıldı. Klinik olarak ilgili kümeler, levodopa dozu, ilaç uygulama sıklığı ve toplam levodopa eşdeğeri günlük doz ile PKG ile bölündü ve hekim MDS-UPDRS-III puanlarına benzer semptomatik değerlendirmeler sağladı. Demografik bilgiler, MDS-UPDRS-III puanları ve PKG zaman serisi verileri üzerinde eğitilmiş rastgele bir orman sınıflandırması, en demografik olarak benzer iki kümenin konularını doğru bir şekilde %86,9 doğrulukla, %90,7 F1 puanla ve 0,871 AUC ile sınıflandırabildi. Sadece demografik bilgilere ve PKG zaman serisi verilerine dayanan bir model, bir sonraki en iyi performansı %83,8 doğrulukla, %88.5 F1 puanıyla ve 0.831 AUC ile sağladı, böylece tamamen uzaktan değerlendirmeleri daha da mümkün kıldı. Bu hesaplama yöntemleri, hastaları ilaç önerilerine yardımcı olma potansiyeli daha fazla olan ilaç yanıtlarına dayanarak kümelemek için sensör tabanlı verilerin kullanılmasının fizibilitesini göstermektedir.
Özgün kaynak özetini okuyun
Parkinson's disease medication treatment planning is generally based on subjective data obtained through clinical, physician-patient interactions. The Personal KinetiGraph™ (PKG) and similar wearable sensors have shown promise in enabling objective, continuous remote health monitoring for Parkinson's patients. In this proof-of-concept study, we propose to use objective sensor data from the PKG and apply machine learning to cluster patients based on levodopa regimens and response. The resulting clusters are then used to enhance treatment planning by providing improved initial treatment estimates to supplement a physician's initial assessment. We apply k-means clustering to a dataset of within-subject Parkinson's medication changes-clinically assessed by the MDS-Unified Parkinson's Disease Rating Scale-III (MDS-UPDRS-III) and the PKG sensor for movement staging. A random forest classification model was then used to predict patients' cluster allocation based on their respective demographic information, MDS-UPDRS-III scores, and PKG time-series data. Clinically relevant clusters were partitioned by levodopa dose, medication administration frequency, and total levodopa equivalent daily dose-with the PKG providing similar symptomatic assessments to physician MDS-UPDRS-III scores. A random forest classifier trained on demographic information, MDS-UPDRS-III scores, and PKG time-series data was able to accurately classify subjects of the two most demographically similar clusters with an accuracy of 86.9%, an F1 score of 90.7%, and an AUC of 0.871. A model that relied solely on demographic information and PKG time-series data provided the next best performance with an accuracy of 83.8%, an F1 score of 88.5%, and an AUC of 0.831, hence further enabling fully remote assessments. These computational methods demonstrate the feasibility of using sensor-based data to cluster patients based on their medication responses with further potential to assist with medication recommendations.
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.