NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Üst üste gelen titreme özellikleri nedeniyle, Parkinson hastalığının (PD) ve esansiyel titremenin (ET) tıbbi teşhisi, çoğunlukla doktorların klinik deneyimine dayanır ve bu da sıklıkla yanlış tanıya yol açar. Rasgele orman (RF), eXtreme Gradient Boosting (XGBoost), destek vektör makinesi (SVM), lojistik regresyon (LR), sırt sınıflandırması (Ridge), geri yayılım sinir ağı (BP) ve konvolutional sinir ağı (CNN) dahil olmak üzere makine öğrenme algoritmalarını kullanan yedi tahmin modeli değerlendirildi ve üst ekstremitelerin erişilebilir demografik ve titreme bilgilerini kullanarak PD ve ET arasında daha iyi bir ayrım yapmayı hedefledi. Titreme ivmesi ve yüzey elektromiyogramı (sEMG) sinyalleri de dahil olmak üzere titreme bilgileri 398 hastadan (PD = 257, ET = 141) toplandı ve daha sonra yerleşik modelleri PD ve ET'yi ayırmak için eğitmek için kullanıldı. Modellerin performansı, RF ve XGBoost dahil olmak üzere topluluk öğrenme modellerini gösteren eğrinin (AUC) altındaki doğruluk ve alan endeksleri tarafından değerlendirildi ve 0,84 ve AUC'nin 0,90'ın üzerinde doğrulukla en iyi genel tahmin kabiliyetini gösterdi. Ayrıca, cinsiyet, yaş, dört duruş ve beş titreme özelliğinin göreceli önemi analiz edildi ve fleksörlerin sEMG'sinin baskın sıklığı, fleksörlerin sEMG'sinin ortalama genliği, dinlenme duruşu ve kanat duruşunun PD tanısı üzerinde daha büyük bir etkiye sahip olduğunu, cinsiyet ve yaşın daha az önemli olduğunu gösterdi. Bu sonuçlar, PD'nin akıllı teşhisi için bir referans sağlar ve giyilebilir titreme bastırma cihazlarında kullanım için söz verir.
Özgün kaynak özetini okuyun
Due to overlapping tremor features, the medical diagnosis of Parkinson's disease (PD) and essential tremor (ET) mainly relies on the clinical experience of doctors, which often leads to misdiagnosis. Seven predictive models using machine learning algorithms including random forest (RF), eXtreme Gradient Boosting (XGBoost), support vector machine (SVM), logistic regression (LR), ridge classification (Ridge), backpropagation neural network (BP), and convolutional neural network (CNN) were evaluated and compared aiming to better differentiate between PD and ET by using accessible demographics and tremor information of the upper limbs. The tremor information including tremor acceleration and surface electromyogram (sEMG) signals were collected from 398 patients (PD = 257, ET = 141) and then were used to train the established models to separate PD and ET. The performance of the models was evaluated by indices of accuracy and area under the curve (AUC), which indicated the ensemble learning models including RF and XGBoost showed the best overall predictive ability with accuracy above 0.84 and AUC above 0.90. Furthermore, the relative importance of sex, age, four postures, and five tremor features was analyzed and ranked showing that the dominant frequency of sEMG of flexors, the average amplitude of sEMG of flexors, resting posture, and winging posture had a greater impact on the diagnosis of PD, whereas sex and age were less important. These results provide a reference for the intelligent diagnosis of PD and show promise for use in wearable tremor suppression devices.
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.