NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Dijital sağlık teknolojisi daha yaygın hale geldikçe, makine öğrenimi (ML) toplanan özelliklerin sayısız analizini ve yorumlanmasını sağlam bir şekilde sağlar. Bu ön çalışmanın amacı, Parkinson Hastalığı (PD) ve evreleri [Hoehn ve Yahr (H&Y) Aşamaları 1-5] ile ilgili olduğu için, nörobilişsel özelliklerin hem tablet tabanlı değerlendirmeleri hem de kendi kendini rapor eden metriklerin yararlarını ve alaka düzeyini değerlendirmek için ML sınıflandırmasını kullanmaktı. Ayrıca, bu çalışma algılananlarla sensör tabanlı nörobilişsel yetenekleri karşılaştırmayı amaçlamaktadır. Bu çalışmada 75 katılımcı ([Formula: bkz. metin] PD; [Formula: bkz. metin] kontrolü]) 14 tablet tabanlı nörobilişsel fonksiyonel testleri (örneğin motor, bellek, konuşma, yürütme ve çok işlevli), fonksiyonel hareket değerlendirmelerini (örneğin, Berg Denge Ölçeği) ve standartlaştırılmış sağlık anketlerini (örneğin, PDQ-39) tamamladı. PD'nin sağlıklı kontrollerden [Formula: metne bakınız] ve [Formula: metne bakınız] doğruluğu ile PD'nin erken ve ileri evrelerinden ayırt edilmesine izin verilen sensör tabanlı özelliklerin karar ağacı sınıflandırması; mevcut altın standart araçlarla karşılaştırıldığında [örneğin, standartlaştırılmış sağlık anketleri ([Formula: metine bakınız] doğruluğu) ve fonksiyonel hareket değerlendirmeleri ([Formula: metine bakınız] doğruluğu). Önemli özellikler de karar ağacı sınıflandırması kullanılarak tespit edilmiştir. Hızlanmanın cihaz büyüklüğü, test türüne bakılmaksızın 14 testin 12'sinde ([Formula: metine bakınız]) anlamlıydı. Teşhis ve kontrol popülasyonları arasındaki sınıflandırma için, 17 motor (örneğin, ivmenin cihaz büyüklüğü), 9 doğruluk (örneğin, doğru / yanlış etkileşimlerin sayısı) ve 8 zamanlama özelliği (örneğin, etkileşimler arasındaki zaman) anlamlıydı. Erken (H&Y Aşamaları 1 ve 2) ve ileri (H&Y Aşamaları 3, 4 ve 5) PD, 7 motor, 12 doğruluk ve 14 zamanlama özellikleri arasında sınıflandırma için anlamlıydı. Son olarak, bu çalışma PD'li bireylerin algılanan işlevselliğinin sensör tabanlı işlevselliklerden farklı olduğunu göstermektedir. Erken evrede PD'nin [Formula: text'e bakınız] bellek ve yürütme işlevinde dikkate değer algılanan açıklara sahip sensör tabanlı puanlardan daha düşük olduğu gösterilmiştir. Bununla birlikte, ileri aşamalardaki bireyler, erken evre popülasyonlarına kıyasla yönetici ve davranışsal işlevler için yüksek algılara (1.57x) sahipti. Dijital sağlık sistemlerinde makine öğrenimi, nörodejeneratif hastalıkların ve aşamalarının daha kapsamlı bir şekilde anlaşılmasını sağlar ve dijital sağlık teknolojisinin yapılandırılmasını etkileyen yeni özellikler de gösterebilir.
Özgün kaynak özetini okuyun
As digital health technology becomes more pervasive, machine learning (ML) provides a robust way to analyze and interpret the myriad of collected features. The purpose of this preliminary work was to use ML classification to assess the benefits and relevance of neurocognitive features both tablet-based assessments and self-reported metrics, as they relate to Parkinson's Disease (PD) and its stages [Hoehn and Yahr (H&Y) Stages 1-5]. Further, this work aims to compare perceived versus sensor-based neurocognitive abilities. In this study, 75 participants ([Formula: see text] PD; [Formula: see text] control) completed 14 tablet-based neurocognitive functional tests (e.g., motor, memory, speech, executive, and multifunction), functional movement assessments (e.g., Berg Balance Scale), and standardized health questionnaires (e.g., PDQ-39). Decision tree classification of sensor-based features allowed for the discrimination of PD from healthy controls with an accuracy of [Formula: see text], and early and advanced stages of PD with an accuracy of [Formula: see text]; compared to the current gold standard tools [e.g., standardized health questionnaires ([Formula: see text] accuracy) and functional movement assessments ([Formula: see text] accuracy)]. Significant features were also identified using decision tree classification. Device magnitude of acceleration was significant in 12 of 14 tests ([Formula: see text]), regardless of test type. For classification between diagnosed and control populations, 17 motor (e.g., device magnitude of acceleration), 9 accuracy (e.g., number of correct/incorrect interactions), and 8 timing features (e.g., time to between interactions) were significant. For classification between early (H&Y Stages 1 and 2) and advanced (H&Y Stages 3, 4, and 5) stages of PD, 7 motor, 12 accuracy, and 14 timing features were significant. Finally, this work depicts that perceived functionality of individuals with PD differed from sensor-based functionalities. In early-stage PD was shown to be [Formula: see text] lower than sensor-based scores with notable perceived deficits in memory and executive function. However, individuals in advanced stages had elevated perceptions (1.57x) for executive and behavioral functions compared to early-stage populations. Machine learning in digital health systems allows for a more comprehensive understanding of neurodegenerative diseases and their stages and may also depict new features that influence the ways digital health technology should be configured.
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.