NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) dahil olmak üzere nörodejeneratif bozuklukların hastalık ilerlemesini ölçme yöntemleri, büyük ölçüde öznel önyargılara eğilimli olan ve ilerleme sinyallerini zamanında tespit etme hassasiyetinden yoksun olan kompozit klinik derecelendirme ölçeklerine dayanır. Dijital sağlık teknolojisi (DHT) kaynaklı önlemler, bu sınırlamaları ele alan objektif, hassas ve hassas önlemler sağlamak için potansiyel çözümler sunar. Bununla birlikte, DHT veri kümelerinin karmaşıklığı ve daha önce en önemli dijital özelliklerin seçimi ve kompozit dijital biyobelirteçlerin inşası da dahil olmak üzere poz zorluklarını ölçmek mümkün olmayan çok sayıda dijital özellik elde etme potansiyeli. MethodsWe, ilerleme takibi için kompozit dijital biyobelirteçler oluşturmak için kapsamlı bir makine öğrenimi tabanlı çerçeve sunmaktadır. Bu çerçeve, marjinal (univariate) dijital özellik taraması, univariate dernek testi, dijital özellik seçimi ve ardından Penalized Generalized Estimating Equations (PGEE) kullanılarak kompozit (multivariate) dijital hastalık ilerleme biyobelirteçlerinin inşa edilmesinden oluşur. Örnek olarak, bu çerçeveyi PD boyuna gözlemsel bir çalışmadan toplanan verilere uyguladık. OpalTM sensör tabanlı hareket ölçümleri ve MDS-UPDRS Part III puanlarından oluşan veriler, 30 PD ve 10 sağlıklı kontrol katılımcısında 2 yıl boyunca 3 aylık aralıklarla toplanmıştır.SonuçlarAçıklayıcı örneğimizde, çalışmadaki 235 dijital özellikten 77'si, kompozit dijital ölçünün yapımına dahil etmek üzere PGEE tarafından seçilen 11 özellik ile tek değişkenli özellik taramasını geçti. MDS-UPDRS Part III ile karşılaştırıldığında, kompozit dijital ölçüm, daha az değişkenliğe sahip PD gruplarında zamanla daha pürüzsüz ve daha belirgin bir artış eğilimi sergiledi ve hastalık ilerlemesini izleme yeteneğinin arttığını gösterdi. Bu kompozit dijital ölçüm aynı zamanda de novo PD ve sağlıklı kontrol grupları arasında sınıflandırma yeteneğini gösterdi.DHT'lerden gelen ConclusionMeasures, nörodejeneratif hastalık ilerlemesinin artan hassasiyetle izlenmesinde ve geleneksel klinik puanlara kıyasla değişkenliğin azalmasında söz veriyor. Burada, yüksek boyutlu DHT veri kümelerinden hastalık ilerlemesinin kompozit dijital ölçüsünü oluşturmak için yeni bir çerçeve ve metodoloji sunuyoruz, bu da ilaç geliştirmede kompozit dijital biyobelirteçlerin geliştirilmesini ve uygulanmasını hızlandırmada yararlı olabilir.
Özgün kaynak özetini okuyun
BackgroundCurrent methods of measuring disease progression of neurodegenerative disorders, including Parkinson's disease (PD), largely rely on composite clinical rating scales, which are prone to subjective biases and lack the sensitivity to detect progression signals in a timely manner. Digital health technology (DHT)-derived measures offer potential solutions to provide objective, precise, and sensitive measures that address these limitations. However, the complexity of DHT datasets and the potential to derive numerous digital features that were not previously possible to measure pose challenges, including in selection of the most important digital features and construction of composite digital biomarkers.MethodsWe present a comprehensive machine learning based framework to construct composite digital biomarkers for progression tracking. This framework consists of a marginal (univariate) digital feature screening, a univariate association test, digital feature selection, and subsequent construction of composite (multivariate) digital disease progression biomarkers using Penalized Generalized Estimating Equations (PGEE). As an illustrative example, we applied this framework to data collected from a PD longitudinal observational study. The data consisted of Opal™ sensor-based movement measurements and MDS-UPDRS Part III scores collected at 3-month intervals for 2 years in 30 PD and 10 healthy control participants.ResultsIn our illustrative example, 77 out of 235 digital features from the study passed univariate feature screening, with 11 features selected by PGEE to include in construction of the composite digital measure. Compared to MDS-UPDRS Part III, the composite digital measure exhibited a smoother and more significant increasing trend over time in PD groups with less variability, indicating improved ability for tracking disease progression. This composite digital measure also demonstrated the ability to classify between de novo PD and healthy control groups.ConclusionMeasures from DHTs show promise in tracking neurodegenerative disease progression with increased sensitivity and reduced variability as compared to traditional clinical scores. Herein, we present a novel framework and methodology to construct composite digital measure of disease progression from high-dimensional DHT datasets, which may have utility in accelerating the development and application of composite digital biomarkers in drug development.
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.