Characterizing Disease Progression in Parkinson's Disease from Videos of the Finger Tapping Test.

Araştırma özeti

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

GirişParkinson hastalığı (PD), tipik olarak ilerlemesi klinik ölçekler kullanılarak değerlendirilen motor semptomlarla karakterizedir, yani Hareket Bozukluğu Topluluğu-Birleşik Parkinson Hastalığı Değerlendirme Ölçeği (MDS-UPDRS). Güvenilirliğine rağmen, ölçek, hastalık ilerlemesindeki ince değişiklikleri izleme yeteneğini sınırlayan ve öznel yorumlara eğilimli olan 5 noktalı bir ölçekle sınırlandırılmıştır. PD'de motor semptomları objektif olarak ölçmek için Makine Öğrenimi (ML) algoritmalarını kullanarak video analiz etmek ve hastalığın ilerlemesinin nüanslı özelliklerini yakalamak için otomatik bir sistem geliştirmeyi amaçladık. MetodlarEl pozu tahmini için MDS-UPDRS'nin bir bileşeni olan Parmak Dokunma testinin videolarını 24 sağlıklı kontrolden ve ML algoritmalarını kullanan 66 PD hastasından analiz ettik. Bradikinezi ile ilgili çoklu hareket özelliklerini videolardan hesapladık ve ciddiyete göre farklı özellikler kullanan hastalık şiddetini tahmin etmek için yeni bir katmanlı sınıflandırma yaklaşımı kullandık. Son zamanlarda literatürde tanıtılan diğer yaklaşımlara karşı video tabanlı hastalık şiddeti tahmin yaklaşımımızı karşılaştırdık.SonuçlarGenişlik ve hız gibi geleneksel kinematik özellikler hastalık şiddeti ile doğrusal olarak değişirken, diğer geleneksel olmayan özellikler doğrusal olmayan eğilimler sergiledi. Önerilen hastalık şiddeti tahmin yaklaşımı, PD tespitinde ve mevcut yaklaşımlarla karşılaştırıldığında farklı hastalık şiddeti seviyeleri arasında ayrım yapmada üstün doğruluk göstermiştir.

Özgün kaynak özetini okuyun

IntroductionParkinson's disease (PD) is characterized by motor symptoms whose progression is typically assessed using clinical scales, namely the Movement Disorder Society-Unified Parkinson's Disease Rating Scale (MDS-UPDRS). Despite its reliability, the scale is bounded by a 5-point scale that limits its ability to track subtle changes in disease progression and is prone to subjective interpretations. We aimed to develop an automated system to objectively quantify motor symptoms in PD using Machine Learning (ML) algorithms to analyze videos and capture nuanced features of disease progression.MethodsWe analyzed videos of the Finger Tapping test, a component of the MDS-UPDRS, from 24 healthy controls and 66 PD patients using ML algorithms for hand pose estimation. We computed multiple movement features related to bradykinesia from videos and employed a novel tiered classification approach to predict disease severity that employed different features according to severity. We compared our video-based disease severity prediction approach against other approaches recently introduced in the literature.ResultsTraditional kinematics features such as amplitude and velocity changed linearly with disease severity, while other non-traditional features displayed non-linear trends. The proposed disease severity prediction approach demonstrated superior accuracy in detecting PD and distinguishing between different levels of disease severity when compared to existing approaches.

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.