NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planGit donması (FOG), Parkinson hastalığının (PD) yaygın bir klinik tezahürüdür ve çoğunlukla orta ve ileri aşamalarda meydana gelir. FOG'nun hastaların düşmesine neden olması muhtemeldir, bu da kırıklara, engellilere ve hatta ölüme neden olur. Şu anda, FOG patogenezi belirsizdir ve FOG algılama ve tarama yöntemleri, öznellik, rahatsızlık ve yüksek maliyet dahil olmak üzere çeşitli kusurlara sahiptir. COVID-19 pandemisi sırasında sınırlı halk sağlığı ve ulaşım kaynakları nedeniyle, tanı ve tedaviye ihtiyaç duyan PD hastaları için daha büyük rahatsızlıklar vardır.ObjectiveA yöntemi, cep telefonu tarafından çekilen videolar aracılığıyla PD hastalarında FOG'yu otomatik olarak tanımak için kurulmuştur, bu da yukarıdaki kusurların üstesinden gelebilecek, günlük kullanım için zaman kazandıran, emek tasarrufu sağlayan ve düşük maliyetlidir. Gelecekte, PD hastaları hastaneden ziyade evde herhangi bir zamanda FOG değerlendirmesine tabi tutulabilirler.MetodlarBu çalışmada, zamanlanmış ve devam eden (TUG) testinden hareket özellikleri ve bir makine öğrenme yöntemiyle 50 FOG-PD deneksinin dar TUG (Narrow) test videoları çıkarıldı; daha sonra bu aşamalarda FOG'yu tanımak için bir hareket tanıma modeli Xoot algoritması kullanılarak inşa edildi. Son olarak, bu üç modeli bir araya getirerek çok aşamalı bir FOG tanıma modeli oluşturduk.ResultsModel performansını değerlendirmek için left-one subject-out (LOSO) yöntemini benimsedik ve çok aşamalı FOG tanıma modeli %87,5 hassasiyet ve %79,82 özgüllük elde etti.Bu makalede, uzaktan PD hastası FOG tanımasını gerçekleştirmek için yapılan bir yöntem sunulmuştur. Bu yöntem yüksek tanıma doğruluğu ile uygundur ve ev ortamında FOG'yi hızla değerlendirmek ve FOG-PD'yi uzaktan yönetmek veya büyük ölçekli topluluklardaki hastaları ekranlamak için kullanılabilir.
Özgün kaynak özetini okuyun
BackgroundFreezing of gait (FOG) is a common clinical manifestation of Parkinson's disease (PD), mostly occurring in the intermediate and advanced stages. FOG is likely to cause patients to fall, resulting in fractures, disabilities and even death. Currently, the pathogenesis of FOG is unclear, and FOG detection and screening methods have various defects, including subjectivity, inconvenience, and high cost. Due to limited public healthcare and transportation resources during the COVID-19 pandemic, there are greater inconveniences for PD patients who need diagnosis and treatment.ObjectiveA method was established to automatically recognize FOG in PD patients through videos taken by mobile phone, which is time-saving, labor-saving, and low-cost for daily use, which may overcome the above defects. In the future, PD patients can undergo FOG assessment at any time in the home rather than in the hospital.MethodsIn this study, motion features were extracted from timed up and go (TUG) test and the narrow TUG (Narrow) test videos of 50 FOG-PD subjects through a machine learning method; then a motion recognition model to distinguish between walking and turning stages and a model to recognize FOG in these stages were constructed using the XGBoost algorithm. Finally, we combined these three models to form a multi-stage FOG recognition model.ResultsWe adopted the leave-one-subject-out (LOSO) method to evaluate model performance, and the multi-stage FOG recognition model achieved a sensitivity of 87.5% sensitivity and a specificity of 79.82%.ConclusionA method to realize remote PD patient FOG recognition based on mobile phone video is presented in this paper. This method is convenient with high recognition accuracy and can be used to rapidly evaluate FOG in the home environment and remotely manage FOG-PD, or screen patients in large-scale communities.
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.