NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), küresel olarak 6 milyondan fazla insanı etkileyen ikinci en yaygın nörodejeneratif bozukluktur. Hastalığın hayatta kalmasını artırabilecek semptomatik tedaviler olsa da, tedavi edici tedaviler yoktur. PD ve engelliliğe uygun yaşam yıllarının yaygınlığı sürekli olarak artmaya devam ederek hastalar, aileleri, toplum ve ekonomi üzerinde artan bir yüke yol açmaktadır. Dopaminerjik ilaçlar erken aşamalarda uygulandığında PD'nin ilerlemesini önemli ölçüde yavaşlatabilir. Bununla birlikte, bu tedaviler genellikle hastalığın ilerlemesiyle daha az etkili hale gelir. PD'nin erken teşhisi acil müdahaleler için çok önemlidir, böylece hastalar mümkün olan en uzun süre kendi kendine yeterli kalabilirler. Ne yazık ki, erken PD teşhisinde yetenekli nörologların küresel bir eksikliği gibi faktörler nedeniyle teşhisler genellikle geç kalmaktadır. PD'nin otomatik teşhisini gerçekleştirebilen yapay zeka yöntemlerine dayanan bilgisayar destekli teşhis (CAD) araçları, sağlık hizmetlerinden dikkat çekiyor. Bu incelemede, Ocak 2011 ile Temmuz 2021 arasında yayınlanan 63 çalışma tespit ettik, bu çalışma, beyin analizi (SPECT, PET, MRI ve EEG) ve hareket semptomları (gait, el yazısı, konuşma ve EMG) gibi çeşitli modaliteleri kullanarak PD'nin otomatik olarak teşhisi için derin öğrenme modelleri önerdi. Bu çalışmalardan, her bir yöntem için rapor edilen en iyi performans gösteren derin öğrenme modelini tespit ediyoruz ve sağlık hizmetlerinde bu tür CAD araçlarının benimsenmesini engelleyen mevcut sınırlamaları vurguluyoruz. Son olarak, PD'nin otomatik tespitinde derin öğrenme çalışmalarını ilerletmek için, bu tür araçların PD'nin küresel olarak erken tespitini iyileştirmek için yararını, uygulanabilirliğini ve etkisini iyileştirme umuduyla yeni yönler önermekteyiz.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is the second most common neurodegenerative disorder affecting over 6 million people globally. Although there are symptomatic treatments that can increase the survivability of the disease, there are no curative treatments. The prevalence of PD and disability-adjusted life years continue to increase steadily, leading to a growing burden on patients, their families, society and the economy. Dopaminergic medications can significantly slow down the progression of PD when applied during the early stages. However, these treatments often become less effective with the disease progression. Early diagnosis of PD is crucial for immediate interventions so that the patients can remain self-sufficient for the longest period of time possible. Unfortunately, diagnoses are often late, due to factors such as a global shortage of neurologists skilled in early PD diagnosis. Computer-aided diagnostic (CAD) tools, based on artificial intelligence methods, that can perform automated diagnosis of PD, are gaining attention from healthcare services. In this review, we have identified 63 studies published between January 2011 and July 2021, that proposed deep learning models for an automated diagnosis of PD, using various types of modalities like brain analysis (SPECT, PET, MRI and EEG), and motion symptoms (gait, handwriting, speech and EMG). From these studies, we identify the best performing deep learning model reported for each modality and highlight the current limitations that are hindering the adoption of such CAD tools in healthcare. Finally, we propose new directions to further the studies on deep learning in the automated detection of PD, in the hopes of improving the utility, applicability and impact of such tools to improve early detection of PD globally.
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.