NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Gait bozukluğu, Parkinson hastalığının (PD) karakteristik bir motor eksikliği ve derin beyin stimülasyonunun (DBS) kritik ama yeterince anlaşılmamış bir hedefidir. Hem hastalıkla ilgili açıkları hem de uyarım kaynaklı iyileştirmeleri yakalayan sağlam yürüyüş biyobelirteçlerini tanımlamak büyük bir zorluk olmaya devam ediyor. Bu çalışmada, sürekli yürüyüş sırasında yaş uyumlu sağlıklı kontrollerin yanı sıra, subtalamik DBS öncesi ve sonrası PD'li bireylerden 35 spatiyotemporal yürüyüş parametresini analiz ettik. Birden fazla makine öğrenimi sınıflandırıcısı değerlendirildi ve XGBoost gruplar arasında en iyi ayrımcılığı elde etti. Yorumlanabilirliği sağlamak için, ilişkili parametrelerden fazlalığı hafifletirken özellik önemini sıralayan gruplandırılmış Shapley Katkısı ek Planlarını (SHAP) kullandık. Özellik seçimi sürekli olarak adım genişliği değişkenliğini, adım genişliği asimetrisini, ikili ara bağlantı koordinasyonunu ve anteroposterior stabilite marjını vurguladı. Önemli olarak, seçimden sonra beş üst üste binen özellikten oluşan kompakt bir set, sadece PD'yi sağlıklı yürüyüşten ayırmakla kalmadı, aynı zamanda DBS'den sonra sağlıklı aralıklara da kaydı. Geleneksel ortalama tabanlı metriklerin aksine, seçilen özellikler hem patolojinin hem de tedavi yanıtının sağlam belirteçlerini sağladı. Bulgularımız, açıklanabilir yapay zekanın, hem PD şiddeti hem de DBS yanıt verebilirliği için biyobelirteç görevi gören fizyolojik olarak topraklanmış yürüyüş özelliklerini tanımlayabileceğini, nöromodülasyon sonuçlarının ve bireyselleştirilmiş hasta yönetiminin daha kesin bir şekilde değerlendirilmesini desteklediğini göstermektedir.
Özgün kaynak özetini okuyun
Gait impairment is a characteristic motor deficit of Parkinson’s disease (PD) and a critical but insufficiently understood target of deep brain stimulation (DBS). Identifying robust gait biomarkers that capture both disease-related deficits and stimulation-induced improvements remains a major challenge. In this study, we analyzed 35 spatiotemporal gait parameters from individuals with PD before and after subthalamic DBS, alongside age-matched healthy controls, during continuous walking. Multiple machine learning classifiers were evaluated, with XGBoost achieving the best discrimination between groups. To ensure interpretability, we employed grouped SHapley Additive exPlanations (SHAP), which ranked feature importance while mitigating redundancy from correlated parameters. Feature selection consistently emphasized step width variability, step width asymmetry, bilateral interlimb coordination, and the anteroposterior margin of stability. Importantly, a compact set of five overlapping features after selection not only distinguished PD from healthy gait but also shifted toward healthy ranges after DBS. Unlike conventional mean-based metrics, the selected characteristics provided robust markers of both pathology and treatment response. Our findings demonstrate that explainable AI can identify physiologically grounded gait features that serve as biomarkers for both PD severity and DBS responsiveness, supporting more precise evaluation of neuromodulation outcomes and individualized patient management.
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.