NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Giriş Yürüyüşün dondurulması (FOG), Parkinson hastalığı (PD) ilerledikçe prevalansında artış gösteren paroksismal bir motor fenomenidir. Azalmış yaşam kalitesi ve bu popülasyonda düşme riskinin artması ile ilişkilidir. Hassas tabanlı tespit ve dondurucuların sınıflandırılması, kinematik değerlendirmelere dayanan özel tedaviler geliştirmek için kritik öneme sahiptir.MetodlarBu çalışma, STN-DBS'li ileri PD hastalarından enstrümantal stand-and-walk (SAW) denemelerini analiz etti. Her hasta OFF İlaç-OFF DBS durumunda iki SAW denemesi yaptı. Her deneme için, giyilebilir sensörlerden elde edilen yürüyüş özeti istatistikleri, makine öğrenme sınıflandırma algoritmaları tarafından analiz edildi. Bu algoritmalar arasında k-en yakın komşular, lojistik regresyon, naif Bayes, rastgele orman ve destek vektör makineleri (SVM) bulunmaktadır. Bu modellerin her biri yüksek yorumlanabilirlikleri için seçildi. Her algoritma, SAW denemeleri MDS-UPDRS FOG subscore'u eğitimli bir hareket bozukluğu uzmanı tarafından değerlendirilen sıfır olmayan hastaları sınıflandırmakla görevlendirildi. Bu algoritmaların performansı, tabakalaşmış beş kat çapraz doğrulama kullanılarak değerlendirildi.SonuçlarToplam 21 PD denek değerlendirildi (ortalama yaş 64.24 yıl, 16 erkek, ortalama hastalık süresi 14 yıl). On dört denek OFF MED/OFF DBS'de yürüyüş donuyordu. Tüm makine öğrenimi modelleri istatistiksel olarak benzer tahminsel performansa ulaştı (p SonuçBu sonuçlar, makine öğreniminin ileri PD hastalarını, ilaçsız / uyarıcı olmayan durumlarında SAW denemelerine dayanarak dondurucu veya dondurucu olmayan olarak etkili bir şekilde sınıflandırdığını göstermektedir. Makine öğrenme modelleri, özellikle rastgele ormanlar, sadece FOG sınıflandırması için göze çarpan mekansal ve zamansal yürüyüş özelliklerine güvenmekle kalmaz.
Özgün kaynak özetini okuyun
IntroductionFreezing of gait (FOG) is a paroxysmal motor phenomenon that increases in prevalence as Parkinson's disease (PD) progresses. It is associated with a reduced quality of life and an increased risk of falls in this population. Precision-based detection and classification of freezers are critical to developing tailored treatments rooted in kinematic assessments.MethodsThis study analyzed instrumented stand-and-walk (SAW) trials from advanced PD patients with STN-DBS. Each patient performed two SAW trials in their OFF Medication-OFF DBS state. For each trial, gait summary statistics from wearable sensors were analyzed by machine learning classification algorithms. These algorithms include k-nearest neighbors, logistic regression, naïve Bayes, random forest, and support vector machines (SVM). Each of these models were selected for their high interpretability. Each algorithm was tasked with classifying patients whose SAW trials MDS-UPDRS FOG subscore was non-zero as assessed by a trained movement disorder specialist. These algorithms' performance was evaluated using stratified five-fold cross-validation.ResultsA total of 21 PD subjects were evaluated (average age 64.24 years, 16 males, mean disease duration of 14 years). Fourteen subjects had freezing of gait in the OFF MED/OFF DBS. All machine learning models achieved statistically similar predictive performance (p ConclusionThese results indicate that machine learning effectively classifies advanced PD patients as freezers or nonfreezers based on SAW trials in their non-medicated/non-stimulated condition. The machine learning models, specifically random forests, not only rely on but utilize salient spatial and temporal gait features for FOG classification.
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.