NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planParkinson hastalığı (PD), etkili hastalık yönetimi ve müdahalesi için erken tanıdan önemli ölçüde yararlanan yaygın bir nörodejeneratif bozukluktur. Tıbbi teknolojideki gelişmelere rağmen, PD'nin erken ve invaziv olmayan tespitinde kritik bir boşluk vardır. Mevcut tanı yöntemleri genellikle invazif, pahalı veya hastalığın tanımlanmasında geç, erken müdahale için kaçırılmış fırsatlara yol açar.Bu çalışmanın amacı, erken evre PD hastalarının teşhisinde fNIRS teknolojisinin makine öğrenme algoritmalarıyla birleştirilmesinin verimliliğini ve doğruluğunu araştırmak ve bu yaklaşımın fizibilitesini klinik uygulamada değerlendirmektir. ETG-4000 tipi bir sağlıklı beyin fonksiyon görüntüleme cihazı kullanmak, 60 hastadan veri topladı ve 120 PD kontrol edildi. Bu kesitsel çalışma, serebral kan oksijen değişikliklerini izlemek için çok kanallı bir mod kullandı. Toplanan veriler genel bir doğrusal model kullanılarak işlendi ve beta değerleri çıkarıldı. Daha sonra, analiz için dört tür makine öğrenme modeli geliştirildi: Destek vektör makinesi (SVM), K-en yakın komşular (K-NN), rastgele orman (RF) ve lojistik regresyon (LR). Ek olarak, SHAPley Additive exPlanations (SHAP) teknolojisi model yorumlanabilirliğini artırmak için uygulandı.SonuçlarSVM modeli, PD hastaları ve kontrol grubu arasında farklılaşmada daha yüksek doğruluk gösterdi (yüzde 85 doğruluk, f1 skor 0.85 ve ROC eğrisinin altında bir alan 0,95 doğruluk). SHAP analizi, en çok katkıda bulunan dört kanalı (CH) CH01, CH04, CH05 ve CH08 olarak tanımladı.ConclusionSVM algoritmasına dayanan model, PD hastalarının erken tespitinde iyi bir teşhis performansı sergiledi. PD'nin gelecekteki erken teşhisi Frontopolar Korteks (FPC) bölgesine odaklanmalıdır.
Özgün kaynak özetini okuyun
BackgroundParkinson's disease (PD) is a prevalent neurodegenerative disorder that significantly benefits from early diagnosis for effective disease management and intervention. Despite advancements in medical technology, there remains a critical gap in the early and non-invasive detection of PD. Current diagnostic methods are often invasive, expensive, or late in identifying the disease, leading to missed opportunities for early intervention.ObjectiveThe goal of this study is to explore the efficiency and accuracy of combining fNIRS technology with machine learning algorithms in diagnosing early-stage PD patients and to evaluate the feasibility of this approach in clinical practice.MethodsUsing an ETG-4000 type near-infrared brain function imaging instrument, data was collected from 120 PD patients and 60 healthy controls. This cross-sectional study employed a multi-channel mode to monitor cerebral blood oxygen changes. The collected data were processed using a general linear model and β values were extracted. Subsequently, four types of machine learning models were developed for analysis: Support vector machine (SVM), K-nearest neighbors (K-NN), random forest (RF), and logistic regression (LR). Additionally, SHapley Additive exPlanations (SHAP) technology was applied to enhance model interpretability.ResultsThe SVM model demonstrated higher accuracy in differentiating between PD patients and control group (accuracy of 85%, f1 score of 0.85, and an area under the ROC curve of 0.95). SHAP analysis identified the four most contributory channels (CH) as CH01, CH04, CH05, and CH08.ConclusionThe model based on the SVM algorithm exhibited good diagnostic performance in the early detection of PD patients. Future early diagnosis of PD should focus on the Frontopolar Cortex (FPC) region.
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.