NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu çalışma, invazif olmayan giyilebilir sensör sisteminin etkinliğini, ivmeölçerleri, yüzey elektromiyografisini ve yapay zekayı birleştirerek, Parkinson hastalığından etkilenen yaşlı bireylerde yutmayı klinik olarak ortaya çıkmadan nesnel olarak karakterize etmeyi değerlendirir. Hastaların ve sağlıklı kontrol deneklerinin bir kohortu, farklı viskozite boluslarına sahip görevler de dahil olmak üzere aynı yutma test protokolünü gerçekleştirdi, alt kas üzerinde Yüksek Yoğunluklu yüzey Elektromiyografisi (HD-semG) elektrotlarının ticari bir yapışkan ızgarasını konumlandırma ve tiroid kıkırdağı üzerinde triaksiyal ivmeölçer. İlgili zamansal ve spektral özellikler elektromiyografi verilerinden çıkarıldı. Makine öğrenimi ve Temel Bileşen Analizi ile doğru filtreleme ve işleme, biri ağırlıklı olarak sadece birkaç hasta ile kontrollerden oluşan iki ayrı konu kümesinin tanımlanmasına izin verdi, diğeri çoğunlukla hastalar tarafından kalabalıktı. Mükemmel sınıflandırma performansları elde edildi (doğruluk = %83,3, hassasiyet = %79,0, hatırlama = % 90,7, F1-score = %84,5, Cohen'in kappa = 0.67) klinik olarak tanı konmuş disfaji yokluğunda bile, denekler arasında kas aktivasyon düzenlerinde tutarlı farklılıklar ortaya çıktı. Bu sonuçlar, Parkinson Hastalığı'nda subklinik yutma disfonksiyonunun erken tespiti için güvenilir ve invaziv olmayan bir araç olarak giyilebilir sensör tabanlı değerlendirmenin uygulanabilirliğini desteklemektedir.
Özgün kaynak özetini okuyun
The present study evaluates the effectiveness of a non-invasive wearable sensor system, combining accelerometers, surface electromyography, and artificial intelligence, to objectively characterize swallowing in elderly individuals affected by Parkinson's Disease, without clinically manifested dysphagia. A cohort of patients and healthy control subjects performed the same swallowing test protocol, including tasks with different viscosity boluses, positioning a commercial adhesive grid of High-Density surface Electromyography (HD-sEMG) electrodes on the submental muscle and a triaxial accelerometer over the thyroid cartilage. Relevant temporal and spectral features were extracted from electromyography data. Proper filtering and processing by machine learning and Principal Component Analysis allowed identification of two distinct clusters of subjects, one predominantly composed of controls with just a few patients, the other mostly crowded by patients. Excellent classification performances were achieved (accuracy = 83.3%, precision = 79.0%, recall = 90.7%, F1-score = 84.5%, Cohen's kappa = 0.67), revealing consistent differences in muscle activation patterns among subjects, even in the absence of clinically diagnosed dysphagia. These results support the feasibility of wearable sensor-based assessment as a reliable and non-invasive tool for the early detection of subclinical swallowing dysfunction in Parkinson's Disease.
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.