NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), beynin dejeneratif bir bozukluğudur ve 50 yaş ve üstü 10 kişiden yaklaşık 6'sını etkiler. PD hastalarının motor ve konuşma problemleri vardır, bu nedenle hastaların düzenli ziyaretleri ve izlenmesi zordur. PD'nin varlığını derhal ve doğru bir şekilde tespit etmek gerekir, çünkü erken tedavi, hastaların hayatlarının iyileştirilmesine büyük katkıda bulunacaktır. Yaşlanan insanların sayısı arttıkça, invazif olmayan, güvenilir ve uzaktan teşhis için büyük bir talep vardır. Mevcut çalışmada, otomatik bir sınıflandırma sistemi oluşturmak için PD ve sağlıklı denekleri olan 31 hastayı, ses kayıtlarını inceledik. Hafif Gradient Boosting Machine (LightGBM) sınıflandırıcısı, metaheuristic tabanlı özellik seçimi (FS), yani Pelikan Optimizasyon Algoritması (PAO) kullanılarak uyarlandı ve güçlendirildi. Hiperparametre optimizasyonu, öngörüsel performansı optimize etmek için yapılmıştır. Modeller tipik sınıflandırma önlemleri, yani doğruluk, hassasiyet, özgüllük, hassasiyet ve AUC üzerinde değerlendirilmiştir. %95 doğrulukla temel LightGBM sınıflandırıcısını kullanarak sınıflandırıldık. Elde edilen model, PAO tabanlı FS ve hiperparametre optimizasyonu kullandıktan sonra% 97 daha iyi bir tahmin doğruluğuna sahipti. Dahası, model aynı zamanda hassas, spesifik, hassastı ve eğrinin altında yüksek bir alana sahipti, bu da PD'nin sınıflandırılmasındaki etkinliğini doğrular. Rapor, FS ve hiperparametre ayarlamalarının, ses verilerine uygulandığında ve PD'yi mümkün olduğunca erken tespit etmek için LightGBM ile birleştirildiğinde etkili yaklaşımlar olduğunu göstermektedir. Sonuçlar, erken müdahaleye izin vermek ve PD'li insanların yaşamlarını iyileştirmek için teletıp kullanımına dayanan noninvaziv teşhis sistemlerinin vaadine işaret ediyor.
Özgün kaynak özetini okuyun
Parkinson disease (PD) is a degenerative disorder of the brain and afflicts approximately 6 in 10 people aged 50 years or older. PD patients have motor and speech problems, so regular visits to and monitoring of the patients are hard. It is necessary to detect the presence of PD promptly and accurately, since early treatment will contribute greatly to enhancing patients' lives. As the number of aging people increases, there is a great demand for noninvasive, reliable, and remote diagnosis. In the current work, we studied 31 patients with PD and healthy subjects, their voice recordings, to create an automatic classification system. A Light Gradient Boosting Machine (LightGBM) classifier was adapted and boosted using metaheuristic-based feature selection (FS), namely the Pelican Optimization Algorithm (PAO). Hyperparameter optimization was made to optimize predictive performance. The models have been assessed on typical classification measures, i.e., accuracy, sensitivity, specificity, precision, and AUC. We classified using the baseline LightGBM classifier, with an accuracy of 95%. The resulting model had a better prediction accuracy of 97% after using PAO-based FS and hyperparameter optimization. More than that, the model was also sensitive, specific, precise, and had a high area under the curve, which validates its effectiveness at classifying PD. The paper shows that FS and hyperparameter tuning are effective approaches when applied to voice data and combined with LightGBM to detect PD as early as possible. The results point to the promise of noninvasive diagnostic systems based on the use of telemedicine to allow early intervention and enhance the lives of people with 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.