SCIENTIFIC HUB

Araştırmanın izini sürün.

SCIENTIFIC LITERATURE · MED

Sensör Verilerinin Makine Öğrenimi ve İstatistiksel Analizleri Parkinson Hastalığı Hareketlilik Değerlendirmelerinde Tekrarlanan Denemeler Arasında Değişkenlik Göstermektedir.

Machine Learning and Statistical Analyses of Sensor Data Reveal Variability Between Repeated Trials in Parkinson's Disease Mobility Assessments.

Makine çevirisi · Editoryal inceleme bekliyor

Sensors (Basel) · 2024-12-19

DOI: 10.3390/s24248096PMID: 39771832

Open accessresearch-article; Journal ArticleKaynağa git ↗

Araştırma özeti

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

Timed Up and Go testi (TUG), bilişsel TUG (cogTUG) ve sırayla yürümek gibi hareketlilik görevleri, Parkinson hastalığının (PD) motor kontrolü, denge ve bilişsel işlev üzerindeki etkisi hakkında bilgi sağlar. Bu görevlerin test-test güvenilirliğini 262 PD katılımcısı ve 50 kontrolde, giyilebilir-sensör türevli ölçümlere ve istatistiksel ölçümlere dayanarak makine öğrenme modellerini değerlendirerek değerlendiriyoruz. Bu değerlendirme, toplam süreyi, alt görev süresini ve iki deneme boyunca diğer nicel önlemleri inceler. PD'yi kontrollerden ayırt etmek için tanı doğruluğunun, ilk ve ikinci deneme arasında %1.8 oranında azaldığını, doğru tanı için görev tekrarının gerekli olmayabileceğini öne sürdüğünü gösteriyoruz. Toplam süre, denemeler arasında nispeten tutarlı kalsa da (Intraclass korelasyon katsayısı (ICC) = 0.62 ila 0.95), daha fazla değişkenlik, alt görev süresi ve sensör türevli ölçümlerde, makine öğrenimi performansına ve istatistiksel farklılıklara yansıyan görülür. Bulgularımız aynı zamanda bu değişkenliğin sadece kontroller ve PD katılımcıları arasında değil, aynı zamanda değişen PD şiddeti düzeylerine sahip gruplar arasında da farklılık gösterdiğini ve nüfus özelliklerini göz önünde bulundurma gereğini gösterdiğini göstermektedir. Hareketlilik görevlerinin güvenilirliğini ölçmek için yalnızca toplam görev süresine ve geleneksel istatistiksel metriklere güvenmek, hareketteki nüanslı varyasyonları ortaya çıkaramayabilir.

Özgün kaynak özetini okuyun

Mobility tasks like the Timed Up and Go test (TUG), cognitive TUG (cogTUG), and walking with turns provide insights into the impact of Parkinson's disease (PD) on motor control, balance, and cognitive function. We assess the test-retest reliability of these tasks in 262 PD participants and 50 controls by evaluating machine learning models based on wearable-sensor-derived measures and statistical metrics. This evaluation examines total duration, subtask duration, and other quantitative measures across two trials. We show that the diagnostic accuracy for distinguishing PD from controls decreases by a mean of 1.8% between the first and the second trial, suggesting that task repetition may not be necessary for accurate diagnosis. Although the total duration remains relatively consistent between trials (intraclass correlation coefficient (ICC) = 0.62 to 0.95), greater variability is seen in subtask duration and sensor-derived measures, reflected in machine learning performance and statistical differences. Our findings also show that this variability differs not only between controls and PD participants but also among groups with varying levels of PD severity, indicating the need to consider population characteristics. Relying solely on total task duration and conventional statistical metrics to gauge the reliability of mobility tasks may fail to reveal nuanced variations in movement.

Bilimsel değerlendirme

01

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

02

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

03

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

04

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.