NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan / Objektifler: Parkinson Hastalığı (PD) ve diğer parkinsonizm formları, titreme, bradikinezi ve sertlik dahil olmak üzere motor semptomları paylaşır. Klinik sunumlarındaki örtüşme, geleneksel yöntemler, öznel ve tutarsız olabilen klinik uzmanlığa büyük ölçüde dayandığından, tanısal bir zorluk yaratır. Bu, bu alandaki makine öğrenimi (ML) gibi objektif, veri odaklı yaklaşımlara duyulan ihtiyacı vurgulamaktadır. Bununla birlikte, klinik veri kümelerine ML uygulamak, dengesiz sınıf dağılımları, polis olmayan parkinsonizm için küçük örnek boyutları ve polis olmayan grup içindeki heterojenlik gibi zorluklarla karşı karşıyadır. Yöntemler: Bu çalışma, alt sırta yerleştirilen tek bir sensör kullanılarak klinik hareketlilik görevleri sırasında toplanan, 260 PD katılımcısı ve 18 kişinin etiyolojik olarak çeşitli olmayan parkinsonizm formlarına sahip giyilebilir sensör verilerini analiz etti. ML modellerinin performansını bu iki grubu ayırt etmede değerlendirdik ve sınıflandırma için en bilgilendirici mobilite görevlerini belirledik. Ek olarak, yanlış sınıflandırılmış katılımcıların klinik özelliklerini inceledik ve hastanın ilk ziyaretinde tanı belirsizliği ve zamanla tanıda değişiklikler de dahil olmak üzere klinik uygulamada yaygın zorlukların vaka çalışmalarını sunduk. Ayrıca modellerin performansını sınırlayan veri kümesi zorluklarını gidermek için potansiyel adımlar önerdik. Sonuçlar: Özellik önemi analizi, Zamanlanmış Yukarı ve Git (TUG) görevini sınıflandırma için en bilgilendirici olarak ortaya koydu. Tek başına TUG testini kullanırken, modellerin performansı tüm görevleri birleştirmeyi aştı ve hareket bozukluğu uzmanlarının dengeli tanı doğruluğunun %0.2'si içinde olan %78,2'lik dengeli bir doğruluk elde etti. Ayrıca, katılımcılar arasındaki bazı klinik puanlardaki farklılıkları doğru ve yanlış olarak modellerimiz tarafından sınıflandırıldı. Sonuç: Bu bulgular, PD'yi diğer parkinson bozukluklarından ayırt etmek için ML ve giyilebilir sensörler kullanmanın, tanısında önemli zorlukları ele almanın ve tanı iş akışlarını düzene sokmanın uygulanabilirliğini göstermektedir.
Özgün kaynak özetini okuyun
Background/Objectives: Parkinson's Disease (PD) and other forms of parkinsonism share motor symptoms, including tremor, bradykinesia, and rigidity. The overlap in their clinical presentation creates a diagnostic challenge, as conventional methods rely heavily on clinical expertise, which can be subjective and inconsistent. This highlights the need for objective, data-driven approaches such as machine learning (ML) in this area. However, applying ML to clinical datasets faces challenges such as imbalanced class distributions, small sample sizes for non-PD parkinsonism, and heterogeneity within the non-PD group. Methods: This study analyzed wearable sensor data from 260 PD participants and 18 individuals with etiologically diverse forms of non-PD parkinsonism, which were collected during clinical mobility tasks using a single sensor placed on the lower back. We evaluated the performance of ML models in distinguishing these two groups and identified the most informative mobility tasks for classification. Additionally, we examined the clinical characteristics of misclassified participants and presented case studies of common challenges in clinical practice, including diagnostic uncertainty at the patient's initial visit and changes in diagnosis over time. We also suggested potential steps to address the dataset challenges which limited the models' performance. Results: Feature importance analysis revealed the Timed Up and Go (TUG) task as the most informative for classification. When using the TUG test alone, the models' performance exceeded that of combining all tasks, achieving a balanced accuracy of 78.2%, which is within 0.2% of the balanced diagnostic accuracy of movement disorder experts. We also identified differences in some clinical scores between the participants correctly and falsely classified by our models. Conclusions: These findings demonstrate the feasibility of using ML and wearable sensors for differentiating PD from other parkinsonian disorders, addressing key challenges in its diagnosis and streamlining diagnostic workflows.
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.