NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı'ndaki (PD) motor performansını değerlendirmek için Yapay Zeka (AI) kullanımı, özellikle sonuçların klinik karar verme süreçlerine entegre edilebilmesi durumunda önemli bir potansiyel sunar. Bununla birlikte, PD semptomlarının kesin niceliği kalıcı bir zorluk olmaya devam etmektedir. Mevcut standart Unified Parkinson Hastalığı Değerlendirme Ölçeği (UPDRS) ve varyasyonları, PD'deki motor semptomları değerlendirmek için birincil klinik araçlar olarak hizmet eder, ancak zaman yoğundur ve ara rater değişkenliğine eğilimlidir. Son zamanlarda yapılan çalışmalar, PD hastalarının parmak vuruşu, bradikineziyi değerlendirmek için bir UPDRS görevi gibi motor görevleri yerine getiren videolarını analiz etmek için veri odaklı makine öğrenme teknikleri uygulamıştır. Bununla birlikte, bu yöntemler genellikle klinik deneyimle yakından ilgili olmayan soyut özellikler kullanır. Bu makalede, UPDRS bradykinesia'nın otomatik puanlaması için, kurulan UPDRS yönergelerine titizlikle uyan ayrıntılı özelliklerin çıkarılmasına dayanan, tek görünümlü RGB parmak vuruşu videoları kullanarak özelleştirilmiş bir makine öğrenme yaklaşımı sunuyoruz. Bu yöntemi hem laboratuvarda hem de gerçekçi bir klinik ortamında toplanan 50 PD hastasından 75 videoya uyguladık. Sınıflandırma performansı uzman değerlendiricilerle iyi anlaştı ve Karar Ağacı tarafından seçilen özellikler klinik bilgi ile uyumlu hale getirildi. Önerdiğimiz çerçeve, devam eden hasta alımı ve teknolojik ilerlemeler sırasında ilgili kalacak şekilde tasarlanmıştır. Önerilen yaklaşım, klinik akıl yürütme ile yakından rezonansa giren ve öngörülebilir gelecekte klinik uygulama için umut vaat eden özellikleri içerir.
Özgün kaynak özetini okuyun
The utilization of Artificial Intelligence (AI) for assessing motor performance in Parkinson's Disease (PD) offers substantial potential, particularly if the results can be integrated into clinical decision-making processes. However, the precise quantification of PD symptoms remains a persistent challenge. The current standard Unified Parkinson's Disease Rating Scale (UPDRS) and its variations serve as the primary clinical tools for evaluating motor symptoms in PD, but are time-intensive and prone to inter-rater variability. Recent work has applied data-driven machine learning techniques to analyze videos of PD patients performing motor tasks, such as finger tapping, a UPDRS task to assess bradykinesia. However, these methods often use abstract features that are not closely related to clinical experience. In this paper, we introduce a customized machine learning approach for the automated scoring of UPDRS bradykinesia using single-view RGB videos of finger tapping, based on the extraction of detailed features that rigorously conform to the established UPDRS guidelines. We applied the method to 75 videos from 50 PD patients collected in both a laboratory and a realistic clinic environment. The classification performance agreed well with expert assessors, and the features selected by the Decision Tree aligned with clinical knowledge. Our proposed framework was designed to remain relevant amid ongoing patient recruitment and technological progress. The proposed approach incorporates features that closely resonate with clinical reasoning and shows promise for clinical implementation in the foreseeable future.
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.