NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı hastalarındaki biyomekanik bozuklukların nicel değerlendirilmesinde bir sorun, ölçeklenebilir ve uyarlanabilir hesaplama sistemlerine duyulan ihtiyaçtır. Bu çalışma, Birleşik Parkinson Hastalığı Değerlendirme Ölçeği'nin (MDS-UPDRS) 3.6. maddesinde açıklandığı gibi, pronasyon-supinasyon el hareketlerinin motor değerlendirmeleri için kullanılabilecek bir hesaplama yöntemi sunmaktadır. Sunulan yöntem, yeni uzman bilgisine hızlı bir şekilde adapte olabilir ve kendi kendini denetleyen bir eğitim yaklaşımı kullanan yeni özellikler içerir. Çalışma biyomekanik ölçümler için giyilebilir sensörler kullanır. Bir makine öğrenme modelini 228 kayıtlık bir veri setinde 57 PD hastasından 20 gösterge ve sekiz sağlıklı kontrol deneğinde test ettik. Test veri kümesinin deneysel sonuçları, yöntemin %89'a kadar doğruluk elde edilen pronasyon ve supinasyon sınıflandırma görevi için hassas oranlarının ve F1 puanlarının çoğu kategoride %88'den daha yüksek olduğunu göstermektedir. Puanlar, uzman klinisyen puanlarına kıyasla 0.28'lik bir kök ortalaması hatası sunar. Makale, literatürde bahsedilen diğer yöntemlere kıyasla yeni bir analiz yöntemi kullanarak pronasyon-süpinasyon el hareketi değerlendirmeleri için ayrıntılı sonuçlar sunmaktadır. Ayrıca, teklif, daha derinlemesine bir değerlendirme için MDS-UPDRS'de yer almayan uzman bilgi ve etkileri içeren ölçeklenebilir ve uyarlanabilir bir modelden oluşur.
Özgün kaynak özetini okuyun
One problem in the quantitative assessment of biomechanical impairments in Parkinson's disease patients is the need for scalable and adaptable computing systems. This work presents a computational method that can be used for motor evaluations of pronation-supination hand movements, as described in item 3.6 of the Unified Parkinson's Disease Rating Scale (MDS-UPDRS). The presented method can quickly adapt to new expert knowledge and includes new features that use a self-supervised training approach. The work uses wearable sensors for biomechanical measurements. We tested a machine-learning model on a dataset of 228 records with 20 indicators from 57 PD patients and eight healthy control subjects. The test dataset's experimental results show that the method's precision rates for the pronation and supination classification task achieved up to 89% accuracy, and the F1-scores were higher than 88% in most categories. The scores present a root mean squared error of 0.28 when compared to expert clinician scores. The paper provides detailed results for pronation-supination hand movement evaluations using a new analysis method when compared to the other methods mentioned in the literature. Furthermore, the proposal consists of a scalable and adaptable model that includes expert knowledge and affectations not covered in the MDS-UPDRS for a more in-depth evaluation.
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.