NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka planAkışan motor semptomların şiddetini ve sıklığını doğru bir şekilde değerlendirmek Parkinson hastalığı yönetiminin tüm aşamalarında önemlidir. Zaman alan klinik testlerin veya hastanın belirsiz güvenilirlikle kendini bildirmesinin aksine, giyilebilir sensörlerle yapılan kayıtlar, PD semptomlarını sürekli ve objektif olarak değerlendirmek için bir araç olarak söz vermektedir. Standartlaştırılmış ve betiklenmiş görevler sırasında giyilebilirlere dayalı klinik değerlendirmeler başarıyla uygulanmış olsa da, kısıtlanmamış faaliyetler sırasında değerlendirmeler bir zorluk olmaya devam etmektedir.MetodlarBiz sarsıntı puanları üzerinde eğitilmiş ve test edilmiş, denetlenmiş bir makine öğrenme algoritması geliştirdi ve uyguladık. Algoritmayı, yaklaşık 3 saatlik periyotlar boyunca dört ekstremitede 24 Parkinson hastası için sensör verileri ve klinik titreme puanlarını içeren 67 saatlik bir veritabanında değerlendirdik. Etiketlenen örneklerin rastgele %25'lik bir alt kümesi test verileri, geri kalanı eğitim verileri olarak kullanıldı. Sensör verilerinden çıkarılan özelliklere dayanarak, titreme şiddetini tahmin etmek için bir Destek Vektör Makinesi eğitildi. Titreme skorlarındaki doğal dengesizlik nedeniyle, veri kümesi yeniden dengeleme tekniklerini uyguladık.SonuçlarBizim sınıflandırıcımız, yeniden örneklenen veri kümesinin test hacminde 0,90 hassasiyetle titreme olaylarını tespit etmede sağlam performans gösterdi. Genel sınıflandırma doğruluğu 0.88'de yüksekti.ConclusionWe, mütevazı büyüklükte ve dengesiz veri kümeleriyle bile eğitilebilen serbest yaşam ortamlarında titreme izleme için doğru bir sınıflandırıcı uyguladı. Bu ilerleme, Parkinson hastalığı semptomlarını hastane ortamının ötesinde sürekli izlemede, PD'nin kişiselleştirilmiş yönetimi, zamanında terapötik ayarlamalar ve hasta yaşam kalitesinin iyileştirilmesi için yol açmada önemli bir klinik değer sunar.
Özgün kaynak özetini okuyun
BackgroundAccurately assessing the severity and frequency of fluctuating motor symptoms is important at all stages of Parkinson's disease management. Contrarily to time-consuming clinical testing or patient self-reporting with uncertain reliability, recordings with wearable sensors show promise as a tool for continuously and objectively assessing PD symptoms. While wearables-based clinical assessments during standardised and scripted tasks have been successfully implemented, assessments during unconstrained activity remain a challenge.MethodsWe developed and implemented a supervised machine learning algorithm, trained and tested on tremor scores. We evaluated the algorithm on a 67-hour database comprising sensor data and clinical tremor scores for 24 Parkinson patients at four extremities for periods of about 3 hours. A random 25% subset of the labelled samples was used as test data, the remainder as training data. Based on features extracted from the sensor data, a Support Vector Machine was trained to predict tremor severity. Due to the inherent imbalance in tremor scores, we applied dataset rebalancing techniques.ResultsOur classifier demonstrated robust performance in detecting tremor events with a sensitivity of 0.90 on the test-portion of the resampled dataset. The overall classification accuracy was high at 0.88.ConclusionWe implemented an accurate classifier for tremor monitoring in free-living environments that can be trained even with modestly sized and imbalanced datasets. This advancement offers significant clinical value in continuously monitoring Parkinson's disease symptoms beyond the hospital setting, paving the way for personalized management of PD, timely therapeutic adjustments, and improved patient quality of life.
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.