Sensor-Based Quantification of MDS-UPDRS III Subitems in Parkinson's Disease Using Machine Learning.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Giyilebilir sensörler Parkinson hastalığı (PD) olan kişilerde üst ekstremite motor semptomlarının sürekli nicelenmesi için yararlı olabilir. Bu çalışma, PD'deki MDS-UPDRS III alt-temlerinin bir alt kümesini sınıflandırmak ve tahmin etmek için denetimli makine öğrenme modelleri ile birleştirilen iki atalet ölçüm biriminin kullanımını değerlendirir. İki kompakt giyilebilir sensörü, PD ve 12 kontrole sahip 33 kişinin her bir elinin dorsal kısmına bağladık. Her katılımcı, MDS-UPDRS III'ün bir değerlendirmesine paralel olarak altı klinik hareket görevi gerçekleştirdi. Rasgele orman (RF) modelleri sensör verileri ve motor puanları konusunda eğitildi. Hareket görevlerinin sınıflandırılmasında %94'lük bir genel doğruluk elde edildi. Motor puanlarının sınıflandırılması için kullanıldığında, alıcının çalışma karakteristik değerlerinin altındaki ortalama alan %68 ile %92 arasında değişmektedir. Motor puanları ek olarak bir RF regresyon modeli kullanılarak tahmin edildi. Karşılaştırmalı bir analizde, eğitimli destek vektör makinesi modelleri, belirli görevler için RF modellerinden daha iyi performans gösterdi. Ayrıca, sonuçlarımız belirli durumlarda literatürü aşmaktadır. Bu çalışmada geliştirilen yöntemler, motor fonksiyon üzerindeki farmakolojik etkilerin ev temelli değerlendirmelerinin düzenli klinik değerlendirmeleri tamamlayabileceği gelecekteki çalışmalar için bir temel görevi görür.

Özgün kaynak özetini okuyun

Wearable sensors could be beneficial for the continuous quantification of upper limb motor symptoms in people with Parkinson's disease (PD). This work evaluates the use of two inertial measurement units combined with supervised machine learning models to classify and predict a subset of MDS-UPDRS III subitems in PD. We attached the two compact wearable sensors on the dorsal part of each hand of 33 people with PD and 12 controls. Each participant performed six clinical movement tasks in parallel with an assessment of the MDS-UPDRS III. Random forest (RF) models were trained on the sensor data and motor scores. An overall accuracy of 94% was achieved in classifying the movement tasks. When employed for classifying the motor scores, the averaged area under the receiver operating characteristic values ranged from 68% to 92%. Motor scores were additionally predicted using an RF regression model. In a comparative analysis, trained support vector machine models outperformed the RF models for specific tasks. Furthermore, our results surpass the literature in certain cases. The methods developed in this work serve as a base for future studies, where home-based assessments of pharmacological effects on motor function could complement regular clinical assessments.

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.