NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Postural istikrarsızlık Parkinson hastalığının (PD) en etkisiz motor belirtilerinden biridir ve genellikle düşme ve bağımsızlık kaybı olasılığının artmasının altında yer alır. PD ile ilişkili postural kararsızlığın güncel klinik değerlendirmeleri, insan hatasını tanıtan ve sadece reaktif dengeyi değerlendiren bir retropulsion testine dayanmaktadır. İnsanların postural istikrarsızlık yaşayabileceği günlük yaşam faaliyetlerini doğrudan yansıtan, postural istikrarsızlığın nesnel, çok boyutlu değerlendirmelerine karşılanmamış bir ihtiyaç vardır. Bu çalışmada, 111 katılımcıdan (44'ü PD ve 67 kontrollü) insole plantar basınç verileri üzerine makine öğrenme modellerini eğittik, çünkü günlük yaşam sırasında sıklıkla gerçekleşen faaliyetlerin simüle edilmiş statik ve aktif postural görevlerini gerçekleştirdiler. Modeller PD'yi genç kontrollerden (AUC) 0.99+/- 0.00), PD'yi yaş uyumlu kontrollerden (AUC 0.99+/- 0.01) ve PD düşmeyenlerden (AUC 0.91+/- 0.08) doğru bir şekilde sınıflandırdı. Hem statik hem de aktif postural görevlerden gelen özelliklerin kullanılması, sınıflandırma performanslarını önemli ölçüde geliştirdi ve tüm görevler PD'yi kontrollerden ayırmak için yararlıydı; Bununla birlikte, PD faller'ları PD olmayanlardan ayırmak için daha yüksek postural tehditlere sahip görevler tercih edildi.
Özgün kaynak özetini okuyun
Postural instability is one of the most disabling motor signs of Parkinson's disease (PD) and often underlies an increased likelihood of falling and loss of independence. Current clinical assessments of PD-related postural instability are based on a retropulsion test, which introduces human error and only evaluates reactive balance. There is an unmet need for objective, multi-dimensional assessments of postural instability that directly reflect activities of daily living in which individuals may experience postural instability. In this study, we trained machine-learning models on insole plantar pressure data from 111 participants (44 with PD and 67 controls) as they performed simulated static and active postural tasks of activities that often occur during daily living. Models accurately classified PD from young controls (area under the curve (AUC) 0.99+/- 0.00), PD from age-matched controls (AUC 0.99+/- 0.01), and PD fallers from PD non-fallers (AUC 0.91+/- 0.08). Utilizing features from both static and active postural tasks significantly improved classification performances, and all tasks were useful for separating PD from controls; however, tasks with higher postural threats were preferred for separating PD fallers from PD non-fallers.
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.