NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD) ile birlikte subjektif bilişsel gerileme (PD-SCD) ile birlikte arka plan hastaları, normal biliş bozukluğu (PD-NC) olanlar ile hafif bilişsel bozukluğu olanlar (PD-MCI) arasında bir ara durum olarak kabul edilir. Giyilebilir dijital izleme teknolojileri ve makine öğrenme modelleri, PD'li hastalarda bilişsel bozukluğun değerlendirilmesinde önemli bir potansiyel sunmaktadır.ObjectiveBiz, zamanlanmış ve giden (TUG) testlerine dayanarak PD'de giyilebilir teknoloji ve makine öğreniminin yararını değerlendirmeyi amaçladık (tek görevli TUG [TUGst] ve çift görevli TUG [TUGdt] dahil). Hastalar motor fonksiyon ve motor semptom nicel değerlendirme sistemi ile TUGst ve TUGdt yürüyüş denemelerini gerçekleştirdiler. Hastaların hareket profillerini göstermek için bireysel TUG için toplam 209 kinematik parametre sentezlendi. Bilişsel zorluğun hareket performansı üzerindeki etkisinin büyüklüğünü açıklayan çift görev maliyet parametrelerini (DTC) inşa ettik. 3 grup arasındaki parametre farklılıklarını karşılaştırmak için eşdeğer ayarlı sıralı lojistik regresyon kullanıldı. Katılımcıların 3 bilişsel bozukluk seviyesine sınıflandırılması için çoklu makine öğrenme modelleri kullanıldı ve özellikler gruplararası istatistiksel testlerden P değerlerine göre seçildi. Toplam nüfus rastgele bir eğitim setine ve 7:3 oranında bağımsız bir doğrulama setine bölündü ve eğitim setinde 10 kat çapraz doğrulama kullanıldı. Ayrıca, bu çalışma, son modelin özellik önemini açıklamak için permütasyon önemi ve Shapley Katkı Açıklamaları (SHAP) analizini kullandı.SonuçlarÇalışmada 65 yaş uyumlu hasta (PD-NC: PD-SCD: PD-MCI= 14:21:30) yer aldı. Kırk beş kinematik parametre önemli ölçüde farklıydı (PConclusionsBu, PD-SCD'li hastaların erken kinetik bilişsel bozukluk belirtilerine sahip olabileceğini, bunları PD-NC ve PD-MCI arasında konumlandırabileceğini ve kinematik parametrelere sahip çok sınıflı destek vektör makinesi sınıflandırma modelimizin hem eğitim hem de doğrulama veri kümelerinde 0,70'in üzerinde bir geri çağırma oranı elde ettiğini göstermektedir. Özellik önemi analizi, DTC_Trunk-Right Rotasyon Max, DTC_Trunk-Max Transverse Angular Velocity ve dTUG_Lumbar-Right Sway Max Std'nin bilişsel durumları ayırt etmek için en kritik özellikler olduğunu ortaya koydu ve kinematik parametrelere dayalı bilişsel fonksiyon taraması için bilimsel kanıtlar sağladı.
Özgün kaynak özetini okuyun
BackgroundPatients with Parkinson disease (PD) along with subjective cognitive decline (PD-SCD) are considered an intermediate status between those with normal cognition (PD-NC) and those with mild cognitive impairment (PD-MCI). Wearable digital monitoring technologies and machine learning models offer significant potential for assessing cognitive impairment in patients with PD.ObjectiveWe aimed to evaluate the utility of wearable technology and machine learning for identifying ordinal cognitive stages (OCS) in PD based on timed up and go (TUG) tests (including single-task TUG [TUGst] and dual-task TUG [TUGdt]).MethodsPatients with PD along with SCD, MCI, and NC were recruited in a movement disorder clinic. Patients performed TUGst and TUGdt gait trials wearing a motor function and motor symptom quantitative assessment system. In total, 209 kinematic parameters were synthesized for individual TUG to illustrate patients' motion profiles. We constructed dual-task cost parameters (DTC), describing the magnitude of the effect of the cognitive challenge on motion performance. Covariate-adjusted ordered logistic regression was used to compare parameter differences among 3 groups. Multiple machine learning models were used to classify the participants into 3 cognitive impairment levels, with features being selected based on P values from intergroup statistical tests. The total population was randomly divided into a training set and an independent validation set in a 7:3 ratio, and 10-fold cross-validation was used in the training set. Furthermore, this study used permutation importance and Shapley Additive Explanations (SHAP) analysis (including summary plots, bar plots, and waterfall plots) to explain the feature importance of the final model.ResultsThe study included 65 age-matched patients (PD-NC: PD-SCD: PD-MCI= 14:21:30). Forty-five kinematic parameters were significantly different (PConclusionsThis suggests patients with PD-SCD could have early kinetic signs of cognitive impairment, positioning them between PD-NC and PD-MCI, and our multiclass support vector machine classification model with kinematic parameters achieved a recall rate above 0.70 in both training and validation datasets. The feature importance analysis revealed that DTC_Trunk-Right Rotation Max, DTC_Trunk-Max Transverse Angular Velocity, and dTUG_Lumbar-Right Sway Max Std were the most critical features for distinguishing cognitive states, providing scientific evidence for cognitive function screening based on kinematic parameters.
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.