NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığını (PD) sınıflandırmak ve tahmin etmek, şiddet seviyelerine dayanan çeşitli alt tipleri nedeniyle zordur. Şu anda, klinik çalışmalarda PD alt tiplerini ayırt edebilen hastalık şiddeti ile ilişkili nesnel biyobelirteçlerin tanımlanması gereklidir. Bu çalışma, objektif multimodal verileri makine öğrenimi (ML) yaklaşımları ile birleştirerek PD ciddiyet alt tipleri sınıflandırması ve dijital biyobelirteç gelişimini kullanarak PD'nin klinik uygulanabilirliğini ve heterojenliğini ele almayı amaçlamaktadır. Yöntemler Alt tip sınıflandırma için kümeleme yapmak için klinik özellikleri, fiziksel fonksiyon ve yaşam tarzı verilerini, hareket analiz sistemlerinde yürüyüş parametrelerini ve PD (n = 102) olan kişilerden toplanan giyilebilir sensörleri birleştiren veri kümelerini analiz ettik. Sonuçlar Her biri farklı klinik şiddet kalıpları gösteren üç PD şiddeti alt tipi belirledik, şiddet 1'den 3'e doğru ilerledikçe şiddeti arttı. Tüm/tek modaliteler ve birleşik PD derecelendirme ölçeği puanları arasında, ML kullanarak yüksek özellik önemine sahip potansiyel modaliteleri tanımlayan önemli karşılıklı bilgiler bulduk. Tüm modaliteler arasında giyilebilir sensörlerden elde edilen yürüyüş parametrelerinin ana bileşenleri, PD şiddetinin en ilişkili göstergeleri olarak tanımlandı. Sol ve sağ ayak bileğinin ilk ana bileşenini kullanan bir model, klinik olarak şiddetli alt tipleri hafif PD alt tiplerinden doğru bir şekilde ayırt ederek 1.0 eğrisinin altındaki bir alanla mükemmel sınıflandırma elde etti. Bu bulgular, her iki ayak bileğindeki yürüyüş özelliklerinin, yüksek sınıflandırma performansına katkıda bulunan PD şiddeti alt tipleriyle ilişkili asimetri faktörlerini yansıtabileceğini göstermektedir. Sonuç Vücut segmentlerine ikili olarak bağlı giyilebilir sensörlerden elde edilen dijital biyobelirteçler, PD şiddeti alt tiplerini sınıflandırma ve hastalık ilerlemesini izleme potansiyelini göstermektedir. Bulgularımız, PD yönetimindeki sensör tabanlı yürüyüş analizinin klinik değerini vurguladı ve bu da kişiselleştirilmiş izleme sistemlerine entegrasyonunu ve PD'li kişiler için terapötik müdahaleleri önerdi.
Özgün kaynak özetini okuyun
Abstract Background Classifying and predicting Parkinson's disease (PD) is challenging because of its diverse subtypes based on severity levels. Currently, identifying objective biomarkers associated with disease severity that can distinguish PD subtypes in clinical trials is necessary. This study aims to address the clinical applicability and heterogeneity of PD using PD severity subtypes classification and digital biomarker development by combining objective multimodal data with machine learning (ML) approaches. Methods We analyzed datasets that combine clinical characteristics, physical function and lifestyle data, gait parameters in motion analysis systems, and wearable sensors collected from persons with PD (n = 102) to perform clustering for subtype classification. Results We identified three PD severity subtypes, each exhibiting different patterns of clinical severity, with the severity increasing as it progressed from clusters 1 to 3. We found significant mutual information between all/single modalities and the unified PD rating scale scores, identifying potential modalities with high feature importance using ML. Among all modalities, the principal components of gait parameters derived from wearable sensors were identified as the most associated indicators of PD severity. A model utilizing the first principal component of the left and right ankle achieved perfect classification with an area under the curve of 1.0, accurately distinguishing clinically severe subtypes from mild subtypes of PD. These findings suggest that gait features in both ankles can reflect asymmetry factors associated with PD severity subtypes, which contributes to high classification performance. Conclusions Digital biomarkers obtained from wearable sensors attached bilaterally to body segments demonstrate potential for classifying PD severity subtypes and tracking disease progression. Our findings emphasized the clinical value of sensor-based gait analysis in PD management, which suggested its integration into personalized monitoring systems and therapeutic interventions for persons 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.