NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), titreme, bradikinezi, diskinezi ve yürüyüş anormallikleri gibi motor bozukluklarla karakterize bir nörodejeneratif bozukluktur. Mevcut protokoller klinik ziyaretler sırasında PD semptomlarını değerlendirir ve öznel olabilir. Hasta günlükleri klinisyenlerin evde semptomları değerlendirmelerine yardımcı olabilir, ancak eksik veya yanlış olabilir. Bu nedenle, araştırmacılar, veri odaklı PD teşhis ve yönetimini sağlamak için PD semptomlarını izlemek için evde otomatik yöntemler geliştirdiler. Yaygın motor PD semptomlarını izlemek için kullanılan teknolojilerin ve hesaplama/makine öğrenme yöntemlerinin ilerlemesini analiz etmek için ABD Ulusal Tıp Kütüphanesi PubMed veritabanını sorguladık. Yaklaşık 12.000 makalenin bir alt kümesi, literatürü gözden geçirerek ortaya çıkan makine öğrenimi ve teknoloji zaman çizelgelerini en iyi şekilde karakterize eden gözden geçirildi. PD motor semptomlarını izlemek için kullanılan teknoloji, son beş on yılda önemli ölçüde ilerledi. Erken izleme, iğne tabanlı EMG gibi laboratuvar içi cihazlarla başladı, laboratuvar içi ivmeölçerlere / jiroskoplara, daha sonra giyilebilir ivmeölçerlere / jiroskoplara ve son olarak telefon ve mobile & web uygulama tabanlı ev içi izlemesine geçti. PD hastalarını sınıflandırmak için makine öğrenme algoritmalarının kullanılması konusunda da önemli ilerlemeler kaydedilmiştir. Farklı cihazlardan gelen verileri (örneğin, video kameralar, telefon tabanlı ivmeölçerler) kullanan araştırmacılar, nöral ağ ve sinirsel olmayan ağ tabanlı makine öğrenme algoritmalarını, PD hastalarını titreme, yürüyüş, bradikinezi ve diskinezi boyunca kategorize etmek için tasarladılar. PD motor semptomlarını izlemek için kullanılan teknoloji ve hesaplama tekniklerinin beş yıllık birlikte evrimi, laboratuvar içi/klinikten evde PD semptomlarının izlenmesine geçişi sağlayan önemli ilerlemelere yol açmıştır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative disorder characterized by motor impairments such as tremor, bradykinesia, dyskinesia, and gait abnormalities. Current protocols assess PD symptoms during clinic visits and can be subjective. Patient diaries can help clinicians evaluate at-home symptoms, but can be incomplete or inaccurate. Therefore, researchers have developed in-home automated methods to monitor PD symptoms to enable data-driven PD diagnosis and management. We queried the US National Library of Medicine PubMed database to analyze the progression of the technologies and computational/machine learning methods used to monitor common motor PD symptoms. A sub-set of roughly 12,000 papers was reviewed that best characterized the machine learning and technology timelines that manifested from reviewing the literature. The technology used to monitor PD motor symptoms has advanced significantly in the past five decades. Early monitoring began with in-lab devices such as needle-based EMG, transitioned to in-lab accelerometers/gyroscopes, then to wearable accelerometers/gyroscopes, and finally to phone and mobile & web application-based in-home monitoring. Significant progress has also been made with respect to the use of machine learning algorithms to classify PD patients. Using data from different devices (e.g., video cameras, phone-based accelerometers), researchers have designed neural network and non-neural network-based machine learning algorithms to categorize PD patients across tremor, gait, bradykinesia, and dyskinesia. The five-decade co-evolution of technology and computational techniques used to monitor PD motor symptoms has driven significant progress that is enabling the shift from in-lab/clinic to in-home monitoring of PD symptoms.
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.