NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Yürüyüşün dondurulması (FoG), tipik olarak yaşam kalitesini olumsuz etkileyen ve genellikle farmakolojik müdahalelere dirençli olan gelişmiş Parkinson hastalığının (PD) bir belirtisidir. İşitme veya duyusal ipuçlarından yararlanan yeni tedavi seçenekleri, donma olaylarının tahmin edilmesiyle optimize edilebilir. Bu tahminler, davranış yaklaşan bir donma göstergesi olarak değiştirildiğinde (yani, kullanıcı en çok ihtiyaç duyduğunda) sürekli ipucu bilgisi vermek yerine, yürüme performansını iyileştirmek için dış duyusal ipuçlarının gösterilmesini tetiklemeye yardımcı olabilir. Rastgele Forrest (RF), Sinir Ağı (NN) ve Naive Bayes (NB) sınıflandırıcılarını kullanarak donma olaylarını tahmin etmek için veri odaklı bir yaklaşım önerilmiştir. Bir kuvvet platformundan 100 Hz'de örneklenen dikey kuvvetler, en az bir donma dönemi geçirene kadar veya 90 s boyunca devreye giren 9 PD denekten toplandı. RF/NN/NB algoritmalarının F1 puanları farklı IL (makine öğrenme algoritmasına giriş) ve GL (donma olayının ne kadar erken tahmin edildiği) için hesaplandı. F1 puanları ve GL arasında önemli bir negatif korelasyon, erken tespitin zorluğunu vurgular. F1 skorunu en üst düzeye çıkaran IL yaklaşık olarak 1.13 s'ye eşittir. Bu, donmaya yol açan fizyolojik (ve dolayısıyla nörolojik) değişikliklerin donma olayından en az bir adım önce etkili olduğunu gösterir. Algoritmamız, Parkinson'lu kişilerde tespit edilecek ve daha sonra düzeltilmemiş olarak bırakıldığında ortaya çıkabilecek donma olaylarını potansiyel olarak önleyecek cihazların geliştirilmesini destekleme potansiyeline sahiptir.
Özgün kaynak özetini okuyun
Freezing of gait (FoG) is typically a symptom of advanced Parkinson's disease (PD) that negatively influences the quality of life and is often resistant to pharmacological interventions. Novel treatment options that make use of auditory or sensory cues might be optimized by prediction of freezing events. These predictions might help to trigger external sensory cues-shown to improve walking performance-when behavior is changed in a manner indicative of an impending freeze (i.e., when the user needs it the most), rather than delivering cue information continuously. A data-driven approach is proposed for predicting freezing events using Random Forrest (RF), Neural Network (NN), and Naive Bayes (NB) classifiers. Vertical forces, sampled at 100 Hz from a force platform were collected from 9 PD subjects as they stepped in place until they at least had one freezing episode or for 90 s. The F1 scores of RF/NN/NB algorithms were computed for different IL (input to the machine learning algorithm), and GL (how early the freezing event is predicted). A significant negative correlation between the F1 scores and GL, highlighting the difficulty of early detection is found. The IL that maximized the F1 score is approximately equal to 1.13 s. This indicates that the physiological (and therefore neurological) changes leading to freezing take effect at-least one step before the freezing incident. Our algorithm has the potential to support the development of devices to detect and then potentially prevent freezing events in people with Parkinson's which might occur if left uncorrected.
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.