NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BACKGROUND: Kronik koşullar dünya çapında her yıl milyonlarca ölüme neden olmaktadır. Makine öğrenimi (ML) ile birlikte giyilebilir cihazlar ve sensörler kullanarak uzaktan hasta izleme, hastalık yönetimi için umut verici stratejiler sunar. Bununla birlikte, çeşitli metodolojik yaklaşımlar ve çalışma tasarımları karşılaştırılabilirliği ve en iyi uygulama yönergelerinin geliştirilmesini engeller. YÖNTEMLER: Sistematik incelemeler ve Meta-Analiz (PRISMA) yönergeleri için Tercih Edilen Raporlama Öğeleri'nin ardından sistematik bir inceleme yapıldı. 2014 ve 2024 yılları arasında yayınlanan ilgili prospektif çalışmalar için dört bilimsel veri tabanı arandı. Çalışmalar, uzaktan izlenen hastalarda kronik durumların hastalık sonuçlarını tahmin etmek için ML kullanmak zorunda kaldı. Çalışmalar, sağlık sonuçları, veri seti, izlenen parametreler ve algoritmalar gibi özellikler için etiketlendi. SONUÇLAR: Başlangıçta tespit edilen 6668 çalışmadan 76'sı kapsama kriterlerini karşılamıştır. Çalışmaların %73,7'sinin, Analiz alanındaki metodolojik eksikliklerden dolayı yüksek bir önyargı riski taşıdığı kabul edildi. Parkinson hastalığı en sık izlendi, ardından diyabet ve kronik obstrüktif akciğer hastalığı (COPD) takip edildi. Giyilebilir cihazlar baskın uzaktan sensörlerdi, ivmeölçer verileri en yaygın parametreydi. Ağaç tabanlı algoritmalar en sık görülüyordu ve leave-one-out çapraz doğrulama kullanan çalışmalar önemli ölçüde daha yüksek doğruluk gösterdi. Özellik mühendisliği ve yayın yılı da model performansıyla önemli ölçüde ilişkilendirildi. SONUÇ: Bu gözden geçirme, kronik hastalık izlemesine ML uygulanmasındaki ilerleme ve zorlukları vurgulamaktadır. Parkinson, KOAH ve diyabet gibi durumlar iyi temsil edilirken, karaciğer ve böbrek hastalıkları gibi diğerleri az araştırılmaktadır. Gelecekteki araştırmalar, metodolojilerin standartlaştırılmasına, model yorumlanabilirliğine ve veri gizliliği ve algoritmik adalet dahil olmak üzere etik hususlara öncelik vermelidir. Düzgün bir şekilde uygulandığında, ML güdümlü uzaktan izleme, hasta bakımını geliştirme, komplikasyonları azaltma ve kronik durumlarla ilgili anlayışımızı derinleştirme potansiyeline sahiptir. Bununla birlikte, tekrarlanabilirlik, genelleştirilebilirlik ve klinik entegrasyondaki zorlukları ele almak, alanın ilerlemesi için çok önemlidir.
Özgün kaynak özetini okuyun
BACKGROUND: Chronic conditions cause millions of deaths annually worldwide. Remote patient monitoring using wearable devices and sensors, combined with machine learning (ML), offers promising strategies for disease management. However, diverse methodological approaches and study designs impede comparability and the development of best practice guidelines. METHODS: A systematic review was conducted following the Preferred Reporting Items for Systematic reviews and Meta-Analyses (PRISMA) guidelines. Four scientific databases were searched for relevant prospective studies published between 2014 and 2024. Studies had to use ML to predict disease outcomes of chronic conditions in remotely monitored patients. The studies were tagged for characteristics such as health outcomes, dataset, monitored parameters, and algorithms. RESULTS: From 6668 initially identified studies, 76 met inclusion criteria. 73.7% of studies were considered to have a high risk of bias, mainly due to methodological shortcomings in the Analysis domain. Parkinson’s disease was most frequently monitored, followed by diabetes and chronic obstructive pulmonary disease (COPD). Wearable devices were the predominant remote sensors, with accelerometer data being the most common parameter. Tree-based algorithms were most frequent, and studies using leave-one-out cross-validation showed significantly higher accuracy. Feature engineering and publication year were also significantly associated with model performance. CONCLUSION: This review highlights both progress and challenges in applying ML to chronic disease monitoring. While conditions like Parkinson’s, COPD, and diabetes are well-represented, others such as liver and kidney diseases are underexplored. Future research should prioritize standardization of methodologies, model interpretability, and ethical considerations including data privacy and algorithmic fairness. When properly implemented, ML-driven remote monitoring has the potential to enhance patient care, reduce complications, and deepen our understanding of chronic conditions. However, addressing challenges in reproducibility, generalizability, and clinical integration is crucial for advancing the field.
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.