NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Nörodejenerasyonun erken teşhisine yardımcı olan biyobelirteçler, erken semptomatik tedaviyi sağlamak ve nöroprotektif müdahalelerden yararlanabilecek kişilerin tanımlanmasını sağlamak için gereklidir. Artan kanıtlar, uyku biyobelirteçlerinin, uyku ve nörodejenerasyon arasındaki çift yönlü ilişki ve uyku bozukluklarının önemi ve çeşitli nörodejeneratif bozukluklarda değişen uyku mimari özellikleri göz önüne alındığında yararlı olabileceğini göstermektedir. Bu çalışma, uykunun spesifik nörodejeneratif bozuklukları (NDD) doğru bir şekilde karakterize edebileceğini göstermeyi amaçlamıştır. Dört sınıflı bir makine öğrenme algoritması, Alzheimer hastalığı demansı (AD = 27), Lewy vücut demansı (LBD = 18) ve izole REM uyku davranış bozukluğu (irBD = 15) ve bir kontrol grubunun (CG = 58) da dahil olmak üzere klinik olarak teşhis edilmiş manifesto ve prodromal NDD'leri olan hastalardan yaş ve dokuz uyku biyobelirteçleri kullanılarak eğitildi. Algoritma, eğitim veri seti artı ek AD = 10, İRBD = 18, demanssız Parkinson hastalığı (PD = 29), hafif bilişsel bozukluk (MCI = 78) ve CG = 128 olmak üzere toplam 381 kayıtta doğrulandı. Daha sonra LBD = 10, AD = 9 ve CG = 46'da test-test tutarlılığı değerlendirildi. NDD profilleri ile ilgili klinik tanıları arasındaki anlaşma AD, LBD ve CG için %75'i aştı ve NDD katılımcıları klinik tanılarına uygun NDD endikasyonları ile muhtemelen Normal olarak sınıflandırıldığında iyileşti. IRBD, PD ve MCI katılımcıları için profiller, hastalık bozukluklarının heterojenliği ile tutarlıydı; IRBD'nin %27'sinde, PD'nin %21'inde ve MCI katılımcılarının %26'sında normal uyku karakterizasyonu ile açık anlaşmazlıkların çoğunluğu açıklanmıştı. Test-test ödevleri için, LBD'nin %88'i, AD'de %86'sı ve CG katılımcılarının %98'i için aynı veya benzer NDD profilleri elde edildi. Uyku biyobelirteçlerine dayanan NDD alttipleme için potansiyel yardımcı program, söz veriyor ve daha büyük NDD kohortlarında daha fazla potansiyel gelişme ve doğrulama gerektiriyor.
Özgün kaynak özetini okuyun
Biomarkers that aid in early detection of neurodegeneration are needed to enable early symptomatic treatment and enable identification of people who may benefit from neuroprotective interventions. Increasing evidence suggests that sleep biomarkers may be useful, given the bi-directional relationship between sleep and neurodegeneration and the prominence of sleep disturbances and altered sleep architectural characteristics in several neurodegenerative disorders. This study aimed to demonstrate that sleep can accurately characterize specific neurodegenerative disorders (NDD). A four-class machine-learning algorithm was trained using age and nine sleep biomarkers from patients with clinically-diagnosed manifest and prodromal NDDs, including Alzheimer's disease dementia (AD = 27), Lewy body dementia (LBD = 18), and isolated REM sleep behavior disorder (iRBD = 15), as well as a control group (CG = 58). The algorithm was validated in a total of 381 recordings, which included the training data set plus an additional AD = 10, iRBD = 18, Parkinson disease without dementia (PD = 29), mild cognitive impairment (MCI = 78) and CG = 128. Test-retest consistency was then assessed in LBD = 10, AD = 9, and CG = 46. The agreement between the NDD profiles and their respective clinical diagnoses exceeded 75% for the AD, LBD, and CG, and improved when NDD participants classified Likely Normal with NDD indications consistent with their clinical diagnosis were considered. Profiles for iRBD, PD and MCI participants were consistent with the heterogeneity of disease severities, with the majority of overt disagreements explained by normal sleep characterization in 27% of iRBD, 21% of PD, and 26% of MCI participants. For test-retest assignments, the same or similar NDD profiles were obtained for 88% of LBD, 86% in AD, and 98% of CG participants. The potential utility for NDD subtyping based on sleep biomarkers demonstrates promise and requires further prospective development and validation in larger NDD cohorts.
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.