NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planParkinson hastalığı (PD) genellikle ince erken belirtilerle ortaya çıkar ve tanıyı zorlaştırır. F-DOPA PET görüntüleme, dopaminerjik fonksiyonun güvenilir bir ölçüsünü sağlar ve erken PD tanısı için birincil bir araçtır. Bu çalışma, F-DOPA sonuçlarını tahmin etmek ve PD ve PD olmayan hastalar arasında ayrım yapmak için makine öğrenimi (ML) ekstrakte EEG özelliklerinin yeteneğini değerlendirmeyi amaçlamaktadır. İşitsel bir bilişsel değerlendirme sırasında tek kanallı bir EEG kullanılarak çıkarılan bu özellikler, sağlıklı deneklerde bilişsel yük ile ilişkili EEG özelliği A0 ve bilişsel görev farklılaşması ile ilişkili EEG özelliği L1'dir.Bu çalışmaya katılanlar, standart bakımlarının (n = 32) bir parçası olarak F-DOPA PET taraması geçirmiş bilişsel olarak sağlıklı hastalardan ve bilişsel olarak sağlıklı kontrollerden (n = 20) oluşmaktadır. Neurosteer sistemi kullanılarak işitsel bilişsel görev sırasında toplanan EEG verileri, özellik çıkarma için dalgalı paket analizi ve makine öğrenme yöntemleri kullanılarak ayrıştırıldı. Bu özellikler, fMRI bağlantısına benzer şekilde uygulanan bir bağlantı analizinde kullanıldı. Özelliklerine ve bağlantılarına dayanan bir ön model, başlangıçta açıklanmayan F-DOPA test sonuçlarını tahmin etmek için kullanıldı. Daha sonra, genelleştirilmiş doğrusal karışık modeller (LMM) PD ve PD olmayan denekler arasında EEG değişkenlerine göre ayırt etmek için kullanıldı.Sonuçlar Tahmin modeli, açıklanamayan puanları olan hastaları pozitif F-DOPA olarak doğru bir şekilde sınıflandırdı. EEG özelliği A0 ve Delta bandı, çalışma grupları arasında ayrılan farklı aktivite kalıplarını ortaya çıkardı ve kontroller PD hastalarından daha yüksek aktivite gösterdi. Kontrollerde, EEG özelliği L1, dinlenme durumu ve yüksek bilişsel yük arasında varyasyonlar gösterdi, PD hastalarında eksik bir etki.ConclusionBulgularımız, negatif F-DOPA PET puanlarından pozitifi ayırt etmek için işitsel bilişsel değerlendirme ile birlikte tek kanallı EEG teknolojisinin potansiyelini göstermektedir. Bu yaklaşım erken PD tanısı için umut vericidir. PD için potansiyel bir biyobelirteç olarak bu aracın yararını daha da doğrulamak için ek çalışmalara ihtiyaç vardır.
Özgün kaynak özetini okuyun
BackgroundParkinson's disease (PD) often presents with subtle early signs, making diagnosis difficult. F-DOPA PET imaging provides a reliable measure of dopaminergic function and is a primary tool for early PD diagnosis. This study aims to evaluate the ability of machine-learning (ML) extracted EEG features to predict F-DOPA results and distinguish between PD and non-PD patients. These features, extracted using a single-channel EEG during an auditory cognitive assessment, include EEG feature A0 associated with cognitive load in healthy subjects, and EEG feature L1 associated with cognitive task differentiation.MethodsParticipants in this study are comprised of cognitively healthy patients who had undergone an F-DOPA PET scan as a part of their standard care (n = 32), and cognitively healthy controls (n = 20). EEG data collected using the Neurosteer system during an auditory cognitive task, was decomposed using wavelet-packet analysis and machine learning methods for feature extraction. These features were used in a connectivity analysis that was applied in a similar manner to fMRI connectivity. A preliminary model that relies on the features and their connectivity was used to predict initially unrevealed F-DOPA test results. Then, generalized linear mixed models (LMM) were used to discern between PD and non-PD subjects based on EEG variables.ResultsThe prediction model correctly classified patients with unrevealed scores as positive F-DOPA. EEG feature A0 and the Delta band revealed distinct activity patterns separating between study groups, with controls displaying higher activity than PD patients. In controls, EEG feature L1 showed variations between resting state and high-cognitive load, an effect lacking in PD patients.ConclusionOur findings exhibit the potential of single-channel EEG technology in combination with an auditory cognitive assessment to distinguish positive from negative F-DOPA PET scores. This approach shows promise for early PD diagnosis. Additional studies are needed to further verify the utility of this tool as a potential biomarker for PD.
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.