NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
GirişParkinson hastalığının (PD) kardinal fiziksel işlev bozukluğu olan Bradykinesia, genellikle Hareket Bozuklukları Topluluğu'nun birleştirilmiş Parkinson hastalığı derecelendirme ölçeğinin (MDS-UPDRS) III. Bölümü tarafından değerlendirilir. Değerlendirme süreci klinisyenlerin gözetimi gerektirir; bu nedenle, sonuçlar öznel olabilir ve klinisyenlerin iş yükünü artırabilir.MetodlarBu sakıncaları telafi etmek için, bu çalışma bradikineziyi otomatik olarak izlemek için giyilebilir sensörleri içeren göreve özgü bir makine öğrenme sistemi önermektedir. Başlangıçta, bu çalışma, bireyselleştirilmiş sinyallere daha uyumlu hale getirmek için hareket genliği gibi belirli hareket özelliklerini göz önünde bulundurarak zirve tespit algoritmasını geliştirdi. Ayrıca, optimal sensör yerleştirme pozisyonlarını ve uygun puan tahmin algoritmalarını içeren göreve özgü bir puan tahmini sistemi önerildi. Özellikle, beş MDS-UPDRS III görevinin her biri için yedi makine öğrenme modeli ve dört topluluk yöntemi araştırıldı.SonuçlarSistem 21 hasta ve sekiz kontrol bireyinde test edildi. Sistemin performansı üç senaryo altında değerlendirildi: kesin tahmin (0 vs. 1 vs. 2 vs. 3), anormal/normal [0 vs. (1, 2, 3)] ve normal-orta/şiddet [(0,1,2) vs. 3], en yüksek ortalama F1 puanı 0.8722'ye ulaşırken ve kritik durum öngörüsündeki görevler arasında 0.3214'te en düşük toplam kök ortalama kare hatası. Ayrıca, bu çalışma, istatistiksel analiz yoluyla, her göreve uyarlanmış belirli puanlama özellikleri önerdi.DiscussionBu çalışma, PD'nin bradikinezisinin doğru ve otomatik olarak izlenmesinin uygulanabilirliğini gösterdi.
Özgün kaynak özetini okuyun
IntroductionBradykinesia, a cardinal physical dysfunction of Parkinson's disease (PD), is generally evaluated by Section III of the Movement Disorders Society-sponsored revision of the unified Parkinson's disease rating scale (MDS-UPDRS). The evaluation process requires the supervision of clinicians; therefore, the results may be subjective and increase clinicians' workload.MethodsTo compensate for these drawbacks, this study proposes a task-specific machine learning system that incorporates wearable sensors to automatically monitor bradykinesia. Initially, this study enhanced the peak detection algorithm by considering specific motion characteristics, such as movement amplitude, to make it more adaptable to individualized signals. Furthermore, a task-specific score prediction system was proposed, incorporating the optimal sensor placement positions and appropriate score prediction algorithms. Specifically, seven machine learning models and four ensemble methods were explored for each of the five MDS-UPDRS III tasks.ResultsThe system was tested in 21 patients and eight control individuals. The performance of the system was evaluated under three scenarios: precise prediction (0 vs. 1 vs. 2 vs. 3), abnormal/normal [0 vs. (1, 2, 3)], and normal-moderate/severe [(0,1,2) vs. 3], with the highest average F1 score reaching 0.8722 and the lowest total root mean square error at 0.3214 among tasks in critical status prediction. Furthermore, this study, through statistical analysis, suggested specific scoring features tailored to each task.DiscussionThis study demonstrated the feasibility of accurately and automatically monitoring bradykinesia of PD.
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.