NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
AmaçlarYüz ifadelerinin Parkinson hastalığının (PD) erken tanınması ve teşhisinin sağlanması üzerindeki etkisini netleştirmeyi amaçladık.MetodlarPD ve 18 kontrole sahip 18 kişiyi dahil ettik. Katılımcılardan 12 monosillabik test, 8 disillabik test ve 6 multisillabik test yapmaları istendi ve tüm süreç kaydedildi. Daha sonra kaydedilen 26 video klip, Noldus FaceReader 7.0 yazılımı aracılığıyla yüz kası hareketlerini ve yüz ifadesini deşifre etmek için kullanıldı. 16 uygun değişkenler Bayesian ağ modeli oluşturmak için seçildi.SonuçlarAyrılmamış-syllabic, monosillabic, dissillabic ve multisyllabic eğitim modellerinin eğrisinin altındaki alan sırasıyla 0.960, 0.958 ve 0.962 idi, modeller arasında önemli bir fark yoktu. Bayesian ağ modellerine dayanarak, disillabik modeldeki değerlik dışında, dört modeldeki tüm pozitif yüz ifadelerinin PD olasılığı ile negatif ilişkili olduğunu bulduk. Dahası, bölünmemiş-syllabic, monosillabic ve multisillabic modellerinde üzüntü, öfke, korku ve iğrenme gibi olumsuz yüz ifadeleri ve disyllabic modeldeki öfke de PD olasılığı ile olumlu bir şekilde ilişkilidir. Disillabik modelde üzüntü, korku ve iğrenme, PD olasılığı ile olumsuz ilişkilidir.Üzgün, korkmuş ve dis heceleri okuyarak oluşturulan iğrenme hariç, diğer heceleri okuyarak oluşturulan olumsuz ifadeler PD olasılığı ile olumlu ilişkiliydi. Buna ek olarak, monosillabik okuma sırasında üretilen korkmuş ifadeler PD olasılığı üzerinde en büyük etkiye sahipti ve multisillabik okuma sırasında üretilen tiksindirici ifadeler en az etkiye sahipti.
Özgün kaynak özetini okuyun
ObjectivesWe aimed to clarify the influence of facial expressions on providing early recognition and diagnosis of Parkinson's disease (PD).MethodsWe included 18 people with PD and 18 controls. The participants were asked to perform 12 monosyllabic tests, 8 disyllabic tests, and 6 multisyllabic tests and the whole process were recorded. Then 26 video clips recorded were used to decipher the facial muscle movements and face expression via Noldus FaceReader 7.0 software. 16 suitable variables were selected to construct a Bayesian network model.ResultsThe area under the curve of the unsegmented-syllabic, monosyllabic, dissyllabic, and multisyllabic training models was 0.960, 0.958, and 0.962, respectively, with no significant difference between the models. Based on the Bayesian network models, we found that except for valence in the disyllabic model, all positive facial expressions in the four models are negatively associated with the probability of PD. Moreover, negative facial expressions, including sadness, anger, scared, and disgust in the unsegmented-syllabic, monosyllabic, and multisyllabic models, as well as anger in the disyllabic model, are positively correlated to the probability of PD. Sadness, scare and disgust in disyllabic model are negatively associated with the probability of PD.ConclusionExcept for sad, scared, and disgusted generated by reading disyllables, negative expressions generated by reading other syllables were positively associated with the probability of PD. In addition, scared expressions produced during monosyllabic reading had the greatest effect on the probability of PD, and disgusted expressions produced during multisyllabic reading had the least effect.
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.