NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) dünya çapında yaklaşık 6 milyon insanı etkilemektedir. Makine öğrenimi (ML) modellerini kullanarak erken PD semptomlarının veri analizi, erken PD'nin uzaktan teşhisi için ucuz, non-invaziv ve basit bir yöntem sağlayabilir. Bu projenin amacı, PD hastalarını ve kamu veritabanlarında bulunan kontrolleri içeren ses, bilgisayar tuş vuruşları, spiral çizimler ve yürüyüş verilerini ML modelleri kullanarak analiz etmek ve diğerlerinden daha belirgin olan erken PD özelliklerini tanımlamaktı. Bir ML modeli, PD hastaları için mevcut klinik verileri, REM (hızlı göz hareketi) uyku davranış bozukluğu (RBD) semptomlarını ve PD olmayan sağlıklı kontrolleri analiz etmek için Random Forest kullanılarak geliştirilmiştir. UCI (University of California Irvine) Makine Öğrenme Deposu, PPMI (Parkinson's Progression Markers Initiative) ve Kaggle veritabanlarından verileri inceledik ve topladık. PD ve RBD hastalarında ses örnekleri, bilgisayar tuş vuruşu verileri, spiral çizimler ve yürüyüş veri kümeleri üzerinde ML analizi yapıldı. Geliştirilen ML tahmin modeli, PD için risk tahmininin iyileştirilmesinde, erken müdahale ve kaynak önceliğinin sağlanmasında yardımcı olabilir. ML çalışması, ses analizinin en sağlam test olduğunu, ardından bilgisayar tuş vuruşu verilerinin, spiral çizimlerin ve yürüyüş analizinin bu sırayla olduğunu göstermektedir. Ses, RDD hastalarında bile etkilenir ve bu da prodromal PD'nin hassas ve erken bir ölçüsü olduğunu ortaya çıkarır. Analizlerin düşük doğruluğu, birkaç PD-pozitif örneğinin tespit edilmemiş ve sınıflandırılmamış olarak kalabileceğini göstermektedir. Ses analizi, bilgisayar tuş vuruşu verileri, spiral çizimler ve yürüyüş analizi olmak üzere dört özelliği bir araya getirmek genel doğruluğu artırabilir.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) affects approximately 6 million people worldwide. Data analysis of early PD symptoms using machine learning (ML) models may provide an inexpensive, non-invasive, and simple method for the remote diagnosis of early PD. The aim of this project was to analyze voice, computer keystrokes, spiral drawings, and gait data involving PD patients and controls available in public databases using ML models and identify early PD characteristics that are more pronounced than others. An ML model was developed using Random Forest to analyze existing clinical data for PD patients, prodromal PD patients with REM (rapid eye movement) sleep behavior disorder (RBD) symptoms, and non-PD healthy controls. We reviewed and collected data from the UCI (University of California Irvine) Machine Learning Repository, PPMI (Parkinson's Progression Markers Initiative), and Kaggle databases. ML analysis was carried out on voice samples in PD and RBD patients, computer keystroke data, spiral drawings, and gait datasets. The ML prediction model developed may be helpful in improving risk prediction for PD, enabling early intervention and resource prioritization. The ML study suggests that voice analysis is the most robust test, followed by computer keystroke data, spiral drawings, and gait analysis, in that order. Voice is affected even in RBD patients, revealing that it is a sensitive and early measure of prodromal PD. The low accuracy of the analysis indicates that several PD-positive samples may remain undetected and unclassified. Combining all four features, that is, voice analysis, computer keystroke data, spiral drawings, and gait analysis, may improve the overall accuracy.
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.