NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı için dopaminerjik dozajın hastane içi optimizasyonu sırasında, ilaç kaynaklı diskineziler yaygın bir yan etki olarak ortaya çıkar. Bilek-yıpranmış cihazlar, sürekli hareket kaydı ve bu diskinezilerin destekleyici tanımlanması için önemli bir fırsat sunar. Diskinezi değerlendirmesi ve makine öğrenimine açık algılama arasındaki boşluğu kapatmak için, kaydedilen bilgiler anlamlı veri temsilleri gerektirir. Bu çalışma, sensör verilerinin iki farklı temsilini değerlendirir ve karşılaştırır: göreve bağlı, semantik olarak topraklanmış bir yaklaşım ve otomatik olarak çıkarılan büyük ölçekli zaman serisi özellikleri. Her temsil, en iyi performans gösteren makine öğrenme modelini belirlemek için kamu veri kümelerinde değerlendirildi ve daha sonra genellenebilirliği değerlendirmek için kendi toplanan veri setimize uygulandı. Semantik bilgiyi içeren veri temsilleri, rapor edilen eserlere kıyasla karşılaştırılabilir veya üstün performans gösterdi ve F1 puanlarının zirve noktası 0.68 oldu. Klinik uygulamadan kendi veri setimize genelleme, her iki kurulumda da gözlenen F1 puanı 0.53 ile sonuçlandı. Bu sonuçlar diskinezi tespiti için semantik hareket veri analizi potansiyelini vurgulamaktadır. Hızölçer tabanlı hareket verilerindeki boyutsal azalma performansı olumlu yönde etkiler ve semantik olarak elde edilen özelliklerle eğitilmiş modeller aşırı uyumdan kaçınır. Tıbbi uzmanlar tarafından etiketlenmiş standart nörolojik değerlendirmelerle kohortları genişletmek, daha fazla gelişme için gereklidir.
Özgün kaynak özetini okuyun
During the in-hospital optimization of dopaminergic dosage for Parkinson's disease, drug-induced dyskinesias emerge as a common side effect. Wrist-worn devices present a substantial opportunity for continuous movement recording and the supportive identification of these dyskinesias. To bridge the gap between dyskinesia assessment and machine learning-enabled detection, the recorded information requires meaningful data representations. This study evaluates and compares two distinct representations of sensor data: a task-dependent, semantically grounded approach and automatically extracted large-scale time-series features. Each representation was assessed on public datasets to identify the best-performing machine learning model and subsequently applied to our own collected dataset to assess generalizability. Data representations incorporating semantic knowledge demonstrated comparable or superior performance to reported works, with peak F1 scores of 0.68. Generalization to our own dataset from clinical practice resulted in an observed F1 score of 0.53 using both setups. These results highlight the potential of semantic movement data analysis for dyskinesia detection. Dimensionality reduction in accelerometer-based movement data positively impacts performance, and models trained with semantically obtained features avoid overfitting. Expanding cohorts with standardized neurological assessments labeled by medical experts is essential for further improvements.
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.