NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundCurrent teletıp yaklaşımları Parkinson hastalığında (PD) eksenel bozukluğun uzaktan değerlendirilmesi için standartlaştırılmış prosedürlerden yoksundur. Göze çarpmayan giyilebilir sensörler, klinisyenlere PD'de eksenel disfonksiyonu yansıtan pratik tıbbi endeksler sağlamak için uygulanabilir bir araç olabilir. Bu çalışma, PD hastalarında tek atalet ölçüm ünitesi (IMU) ve makine öğrenme algoritmaları aracılığıyla yürüyüş izleyerek postural istikrarsızlık / yürüyüş zorluğu (PIGD) skorunu tahmin etmeyi amaçlamaktadır.MethodsThirty-one PD hastalarına, uyluk üzerine yerleştirilen bir IMU aracılığıyla izlenirken, hem (ON) hem de (OFF) dopaminerjik tedavinin altında değil, 7 m zaman aşımlı-up-go testi uygulandı. Ön işlem prosedürleri ve özellik seçiminden sonra, PIGD puanlarını tahmin etmek ve L-Dopa'nın ve yürüyüş (FOG)'un gerileme modelleri üzerindeki etkisini araştırmak için bir destek vektörü regresyon modeli uygulandı.SonuçlarÖzel zaman- ve frekans-alan özellikleri PIGD puanları ile ilişkiliydi. Boyutsallık azaltma yöntemlerini ve model parametrelerini optimize ettikten sonra, regresyon algoritmaları OFF ve ON tedavisinde PIGD öngörüsünde farklı performans gösterdi (r = 0.79 ve 0.75 ve RMSE = 0.19 ve 0.20). Benzer şekilde, regresyon modelleri PIGD öngörüsünde, FOG, ON ve OFF tedavisi olan hastalarda (r = 0.71 ve RMSE = 0.27; r = 0.83 ve RMSE = 0.22; FOG olmayanlarda, ON ve OFF terapisinde (r = 0.85 ve RMSE = 0.19; r = 0.79 ve RMSE = 0.21) farklı performanslar göstermiştir. L-Dopa ve FOG regresyon modeli performanslarını etkiler. Genel olarak, tek bir atalet sensörü, PD hastalarında eksenel motor bozukluğunu uzaktan değerlendirmeye yardımcı olabilir.
Özgün kaynak özetini okuyun
BackgroundCurrent telemedicine approaches lack standardised procedures for the remote assessment of axial impairment in Parkinson's disease (PD). Unobtrusive wearable sensors may be a feasible tool to provide clinicians with practical medical indices reflecting axial dysfunction in PD. This study aims to predict the postural instability/gait difficulty (PIGD) score in PD patients by monitoring gait through a single inertial measurement unit (IMU) and machine-learning algorithms.MethodsThirty-one PD patients underwent a 7-m timed-up-and-go test while monitored through an IMU placed on the thigh, both under (ON) and not under (OFF) dopaminergic therapy. After pre-processing procedures and feature selection, a support vector regression model was implemented to predict PIGD scores and to investigate the impact of L-Dopa and freezing of gait (FOG) on regression models.ResultsSpecific time- and frequency-domain features correlated with PIGD scores. After optimizing the dimensionality reduction methods and the model parameters, regression algorithms demonstrated different performance in the PIGD prediction in patients OFF and ON therapy (r = 0.79 and 0.75 and RMSE = 0.19 and 0.20, respectively). Similarly, regression models showed different performances in the PIGD prediction, in patients with FOG, ON and OFF therapy (r = 0.71 and RMSE = 0.27; r = 0.83 and RMSE = 0.22, respectively) and in those without FOG, ON and OFF therapy (r = 0.85 and RMSE = 0.19; r = 0.79 and RMSE = 0.21, respectively).ConclusionsOptimized support vector regression models have high feasibility in predicting PIGD scores in PD. L-Dopa and FOG affect regression model performances. Overall, a single inertial sensor may help to remotely assess axial motor impairment in PD patients.
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.