NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığında (PD) motor sonuçlar uzun zamandır birincil tanı kriterleri ve tedavi hedefleri olmuştur. PD'nin motor dışı sonuçları günlük refahı etkilerken, nadiren müdahalelerle hedeflenir veya sınıflandırma için kullanılır. Umut verici kanıtlara rağmen, algılanan sosyal desteğin (PSS) PD tespitine ve gerçek dünya ortamlarındaki refahına katkıları belirsizliğini korumaktadır. Uzaktan izleme teknolojilerini kullanarak PSS ve üç motor dışı ölçüm-biliş, kaygı ve depresyon-in 92 katılımcı arasındaki ilişkiyi araştırdık: 45 PD ve 47 eş-kontrol. PSS'nin motor dışı özelliklere özgüllüğünü incelemek için PSS ile motorla ilgili üç önlem arasındaki ilişkileri de inceledik: hastalık şiddeti, süresi veya aşaması. Ayrıca, iki kohortta hastalık durumunu (PD / kontrolleri) tanımlamak için sadece motor olmayan özelliklere dayanan makine öğrenme sınıflandırıcıları (ML) geliştirdik: düşük ve yüksek PSS. PSS, PD'de motor olmayan önlemlerle önemli ölçüde ilişkiliydi, gerçek dünya ayarlarında eşleştirilmiş kontrollerden daha güçlü korelasyonlar vardı. Bununla birlikte, PSS ile motorla ilgili üç önlem arasında PSS'nin sınırlamalarını gösteren önemli bir korelasyon bulunmadı. ML sınıflandırma modelleri yüksek PSS'de düşük performans gösterirken, düşük PSS kohortunda (AUC = 0.8)% 13 daha iyi sınıflandırıldı ve orta derecede yüksek ayrımcı performans gösterdi. Bulgularımız birlikte ele alındığında, PSS'nin PD'deki rolünün altını çizerek, motor dışı sınıflandırma modellerine ve hastaların günlük refahına olan belirgin katkılarını vurgulamaktadır.
Özgün kaynak özetini okuyun
Motor outcomes in Parkinson's disease (PD) have long been the primary diagnostic criteria and treatment targets. While non-motor outcomes of PD impact daily well-being, they are rarely targeted by interventions or utilized for classification. Despite promising evidence, the contributions of perceived social support (PSS) to PD detection and well-being in real-world settings remain unclear. Using remote monitoring technologies, we investigated the relationship between PSS and three non-motor measures-cognition, anxiety, and depression-in 92 participants: 45 PD and 47 matched-controls. To examine the specificity of PSS to non-motor features, we also examined the associations between PSS and three motor-related measures: disease severity, duration, or stage. Moreover, we developed machine-learning classifiers (ML) based on only non-motor features to identify disease status (PD/controls) in two cohorts: low and high PSS. PSS was significantly associated with non-motor measures in PD, with stronger correlations than in matched-controls in real-world settings. However, no significant correlations were found between PSS and the three motor-related measures, demonstrating PSS's limitations. While the ML classification models performed low in high-PSS, they classified 13% better in a low-PSS cohort (AUC = 0.8), demonstrating moderate-high discriminatory performance. Taken together, our findings underscore the role of PSS in PD, highlighting its distinct contributions to non-motor classification models and the daily well-being of patients.
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.