SCIENTIFIC HUB

Araştırmanın izini sürün.

SCIENTIFIC LITERATURE · PPR

Parkinson Hastalığı Teşhisini Makine Öğrenimini Kullanarak Geliştirmek: Karşılaştırmalı Bir Çalışma

Enhancing Parkinson’s Disease Diagnosis Using Machine Learning: A Comparative Study

Makine çevirisi · Editoryal inceleme bekliyor

· 2025-04-10

DOI: 10.21203/rs.3.rs-6366739/v1

Erişim kaynaktan kontrol edilmeliPreprintKaynağa git ↗

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Özet Parkinson hastalığı, Alzheimer hastalığından hemen sonra dünyadaki en yaygın ikinci nörolojik hastalıktır. Bir insanın merkezi sinir sisteminin uzun süreli dejeneratif durumudur ve öncelikle altmış yaşın üzerindeki insanları etkiler. Parkinson hastalığı, zaman içinde ilerleyen birçok nörolojik durumdan biridir. Hareket sorunları ilk belirtilerdir. Hastalığın ilk göstergeleri ayrıca vokal disfonksiyonu da içerebilir. Parkinson tanısı konan insanlarda seslerinin yüksekliğini bozan ve telaffuzda zorluk çıkaran ses anormallikleri vardır. Sonuç olarak, Parkinson hastalığı vokal önlemler kullanılarak teşhis edilebilir. İnsanlar, ortak hareketler, titremeler, uzuvlarda veya gövdede sertlik veya hatta beynin bölgelerinde nöronların (sinir hücreleri) zayıfladığı, yaralandığı veya öldüğü için dengenin azaldığını fark edebilirler. Hastalar, bu belirtiler daha belirgin hale geldikçe yürümek, konuşmak veya diğer basit görevleri yerine getirmekle mücadele edebilir. Bununla birlikte, diğer birçok hastalık ve bozukluk gibi, bu belirtiler de diğer durumlarda ortaya çıkar. Bu nedenle, bu belirtilerden bir veya daha fazlasına sahip herkesin Parkinson hastalığına sahip olması gerekli değildir. Bu makale, 23 öznitelikli ve yaklaşık 177 kayıtlık bir veri kümesi aracılığıyla mümkün olan en iyi modeli karşılaştırmak ve seçmek için 4 temel makine öğrenme sınıflandırıcısı ve 4 önerilen topluluk sınıflandırıcısını uygulamayı amaçlamaktadır. Toplulukların çok daha iyi performans gösterdiği ve XG Boost ve Random Forest sınıflandırıcısı arasındaki en iyi değişim olduğu sonucuna varılmıştır.

Özgün kaynak özetini okuyun

Abstract Parkinson's disease is the second most common neurological illness in the world, exactly after Alzheimer's disease. It is the long-term degenerative condition of a human being's central nervous system that primarily affects people over the age of sixty. Parkinson's disease is one of the many neurological conditions that progress over time. Problems with movement are the first symptoms. Initial indicators of the disease could also include vocal dysfunction. Humans diagnosed with Parkinson's have vocal abnormalities that impair their voice's loudness and cause difficulty in pronunciation. As a result, Parkinson's disease can be diagnosed using vocal measures. People may notice issues with common movements, tremors, stiffness in the limbs or trunk, or even decreased balance as neurons (nerve cells) in areas of the brain are weakened, get injured, or die. Patients may struggle with walking, talking, or accomplishing other simple tasks as these symptoms become more noticeable. However, like many other diseases and disorders, these symptoms also appear in other conditions. Thus, it is not necessary for everyone with one or more of these symptoms to have Parkinson's disease. This paper intends to implement 4 base machine learning classifiers and 4 proposed ensemble classifiers to compare and select the best possible model through a dataset of 23 attributes and around 177 records. It is concluded that the ensembles perform far better and are the best interchange between the XG Boost and Random Forest classifier.

Bilimsel değerlendirme

01

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

02

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

03

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

04

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.