NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Adım uzunluğu, sağlık ve hastalığın önemli bir tanı ve prognostik ölçüsüdür. Giyilebilir cihazlar adım uzunluğunu sürekli olarak tahmin edebilir (örneğin klinikte veya gerçek dünya ayarlarında), ancak mevcut tahmin yöntemlerinin doğruluğu henüz en uygun değildir. Parkinson hastalığı ve sağlıklı kontroller de dahil olmak üzere farklı nörolojik koşullara sahip 472 genç ve yaşlı yetişkin tarafından giyilen tek bir alt sırt atalet ölçüm ünitesinden elde edilen verilere dayanarak adım uzunluğunu tahmin etmek için makine öğrenme modelleri geliştirdik. 80.000'den fazla basamak üzerinde çalışan en iyi model, tek bir adım için yüksek doğruluk gösterdi (kök ortalama kare hatası, RMSE = 6.08 cm, ICC (2,1) = 0,89) ve ardışık on adımın üzerinde ortalama olduğunda daha yüksek doğruluk (RMSE = 4.79 cm, ICC (2,1) = 0.93), 5 cm'nin altında bir RMSE'nin önceden tanımlanmış hedefine başarıyla ulaştı (genellikle minimal klinik açıdan önemli-farklama olarak kabul edilir). Makine öğrenimini tek, giyilebilir bir sensörle birleştirmek, nörolojik hastalığı olan hastalarda bile doğru adım uzunluğu önlemleri üretir. Belirli koşullardaki hataları daha da azaltmak için ek araştırmalara ihtiyaç duyulabilir.
Özgün kaynak özetini okuyun
Step length is an important diagnostic and prognostic measure of health and disease. Wearable devices can estimate step length continuously (e.g., in clinic or real-world settings), however, the accuracy of current estimation methods is not yet optimal. We developed machine-learning models to estimate step length based on data derived from a single lower-back inertial measurement unit worn by 472 young and older adults with different neurological conditions, including Parkinson's disease and healthy controls. Studying more than 80,000 steps, the best model showed high accuracy for a single step (root mean square error, RMSE = 6.08 cm, ICC(2,1) = 0.89) and higher accuracy when averaged over ten consecutive steps (RMSE = 4.79 cm, ICC(2,1) = 0.93), successfully reaching the predefined goal of an RMSE below 5 cm (often considered the minimal-clinically-important-difference). Combining machine-learning with a single, wearable sensor generates accurate step length measures, even in patients with neurologic disease. Additional research may be needed to further reduce the errors in certain conditions.
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.