NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Arka plan/objektifler: Derin beyin stimülasyonu (DBS), Parkinson Hastalığı (PD) ve diğer hareket bozuklukları için etkili bir cerrahi tedavidir. Yararlarına rağmen, DBS ekplantasyonu vakaların% 5,6'sında gerçekleşir ve maliyetler implant başına 22.000 USD'yi aşar. Geleneksel istatistiksel yöntemler, ekplantasyon için güvenilir risk faktörlerini belirlemek için mücadele etmiştir. Denetimli makine öğreniminin, perioperatif faktörler arasında karmaşık etkileşimleri daha etkili bir şekilde yakalayacağını ve yeni risk faktörlerinin tanımlanmasını sağlayacağını varsaymıştık. Yöntemler: Tıbbi Bilişim Ameliyat Odası Hayati ve Olaylar Deposu, DBS'li hastalar, yeterli klinik veriler ve en az iki yıllık takip (n = 38) için sorgulandı. Fisher'ın kesin testi demografik ve tıbbi tarih değişkenlerini değerlendirdi. Veriler Anaconda Sürüm 2.3.1 kullanılarak analiz edildi. pandalar, numpy, sklearn, sklearn-extra, matplotlin. pyplot ve deniz doğumlu. Çapraz doğrulama (RFECV) optimize faktör seçimi ile tekrarlı özellik eliminasyonu kullanıldı. Çok değişkenli bir lojistik regresyon modeli, hassas, geri çağırma, F1-skoru ve eğrinin altındaki alan (AUC) kullanılarak eğitildi ve değerlendirildi. Bulgular: Fisher'ın kesin testinde kronik ağrı (p = 0.0108) ve tütün kullanımı (p = 0.0026) risk faktörleri olarak belirlendi. RFECV, 24 optimal özellik seçti. Lojistik regresyon modeli güçlü performans gösterdi (hassaslık: 0.89, geri çağırma: 0.86, F1-skor: 0.86, AUC: 1.0). Önemli risk faktörleri arasında tütün kullanımı (OR: 3.64; CI: 3.60-3.68), birincil PD (OR: 2.01; CI: 1.99-2.02), ASA skoru (OR: 1.91; CI: 1.90-1.92), kronik ağrı (OR: 1.82; CI: 1.80-1.85) ve diyabet (OR: 1.63; CI: 1.62-1.65) sayılabilir. Sonuç: Çalışmamız, denetlenen makine öğreniminin erken DBS ekplantasyonu için risk faktörlerini belirleyebileceğini göstermektedir. Bulgularımızı doğrulamak için daha büyük çalışmalara ihtiyaç vardır.
Özgün kaynak özetini okuyun
Background/Objectives: Deep brain stimulation (DBS) is an effective surgical treatment for Parkinson's Disease (PD) and other movement disorders. Despite its benefits, DBS explantation occurs in 5.6% of cases, with costs exceeding USD 22,000 per implant. Traditional statistical methods have struggled to identify reliable risk factors for explantation. We hypothesized that supervised machine learning would more effectively capture complex interactions among perioperative factors, enabling the identification of novel risk factors. Methods: The Medical Informatics Operating Room Vitals and Events Repository was queried for patients with DBS, adequate clinical data, and at least two years of follow-up (n = 38). Fisher's exact test assessed demographic and medical history variables. Data were analyzed using Anaconda Version 2.3.1. with pandas, numpy, sklearn, sklearn-extra, matplotlin. pyplot, and seaborn. Recursive feature elimination with cross-validation (RFECV) optimized factor selection was used. A multivariate logistic regression model was trained and evaluated using precision, recall, F1-score, and area under the curve (AUC). Results: Fisher's exact test identified chronic pain (p = 0.0108) and tobacco use (p = 0.0026) as risk factors. RFECV selected 24 optimal features. The logistic regression model demonstrated strong performance (precision: 0.89, recall: 0.86, F1-score: 0.86, AUC: 1.0). Significant risk factors included tobacco use (OR: 3.64; CI: 3.60-3.68), primary PD (OR: 2.01; CI: 1.99-2.02), ASA score (OR: 1.91; CI: 1.90-1.92), chronic pain (OR: 1.82; CI: 1.80-1.85), and diabetes (OR: 1.63; CI: 1.62-1.65). Conclusions: Our study suggests that supervised machine learning can identify risk factors for early DBS explantation. Larger studies are needed to validate our findings.
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.