NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Akıllı saat ve akıllı telefon gibi akıllı cihazların hareket bozuklukları araştırması alanında kullanımı önemli ilgi görmüştür. Bununla birlikte, Parkinson hastalığı (PD) ve diferansiyel tanıları (DD) da dahil olmak üzere çok çeşitli hareket bozukluklarını kapsayan hareket verileri ve klinik ek açıklamalarla kapsamlı bir veri kümesinin bulunmaması önemli bir boşluk ortaya koymaktadır. Böyle bir veri kümesinin kullanılabilirliği, akıllı cihazlarda güvenilir makine öğrenimi (ML) modellerinin geliştirilmesi, hastalıkların tespit edilmesini ve ev tabanlı bir ortamda tedavi etkinliğinin izlenmesini sağlamak için çok önemlidir. Büyük bir üçüncül bakım hastanesinde üç yıllık kesitsel bir çalışma yaptık. Çok modlu bir akıllı telefon uygulaması, nörologlar tarafından hareket patolojilerinde ince değişiklikleri kışkırtmak için tasarlanmış etkileşimli bir değerlendirme sırasında elektronik anketleri ve akıllı saat ölçümlerini entegre etti. PD, DD ve sağlıklı kontroller (HC) dahil olmak üzere 504 katılımcıdan 5000'den fazla klinik değerlendirme adımı yakaladık. Yaş eşlemesinden sonra klasik sinyal işleme ve gelişmiş derin öğrenme tekniklerini birleştiren bütünleştirici bir ML yaklaşımı uygulandı ve çapraz doğrulandı. Modeller, PD sınıflandırmasında ortalama %91.16 oranında dengeli bir doğruluk elde etti. HC, PD vs. DD %72.42 puan aldı. Rakamlar, benzer bozuklukları ayırt ederken umut verici bir performans olduğunu öne sürüyor. Demografik, tıbbi geçmiş, semptomlar ve hareket adımları hakkında ayrıntılar da dahil olmak üzere kapsamlı açıklamalar, ML tekniklerine kapsamlı bir veritabanı sağlar ve hareket bozuklukları ile ilgili fenotipik biyobelirteçler hakkında daha fazla araştırma yapılmasını teşvik eder.
Özgün kaynak özetini okuyun
The utilisation of smart devices, such as smartwatches and smartphones, in the field of movement disorders research has gained significant attention. However, the absence of a comprehensive dataset with movement data and clinical annotations, encompassing a wide range of movement disorders including Parkinson's disease (PD) and its differential diagnoses (DD), presents a significant gap. The availability of such a dataset is crucial for the development of reliable machine learning (ML) models on smart devices, enabling the detection of diseases and monitoring of treatment efficacy in a home-based setting. We conducted a three-year cross-sectional study at a large tertiary care hospital. A multi-modal smartphone app integrated electronic questionnaires and smartwatch measures during an interactive assessment designed by neurologists to provoke subtle changes in movement pathologies. We captured over 5000 clinical assessment steps from 504 participants, including PD, DD, and healthy controls (HC). After age-matching, an integrative ML approach combining classical signal processing and advanced deep learning techniques was implemented and cross-validated. The models achieved an average balanced accuracy of 91.16% in the classification PD vs. HC, while PD vs. DD scored 72.42%. The numbers suggest promising performance while distinguishing similar disorders remains challenging. The extensive annotations, including details on demographics, medical history, symptoms, and movement steps, provide a comprehensive database to ML techniques and encourage further investigations into phenotypical biomarkers related to movement disorders.
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.