NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Prodromal, motor olmayan fazı sırasında Parkinson hastalığını (PD) tanımlamak erken müdahaleye engel olmaya devam etmektedir. Gait bozukluğu, PD'nin en engelleyici ve klinik olarak bilgilendirici tezahürlerinden birini temsil eder. Subklinik yürüyüş bozuklukları, prodromal faz sırasında ortaya çıkabilir ve erken PD teşhisi için potansiyel olarak yararlı olabilir. Bu çalışma, PD'deki yüksek prodromal yükü modellemek ve ölçmek için giyilebilir atalet yürüyüş verilerini kullanarak yorumlanabilir bir makine öğrenme çerçevesi geliştirdi ve en az üç prodromal semptomun anamnestik varlığı olarak tanımlandı. PD'li toplam 275 kişi, tek bir lombar atalet sensörü kullanarak 30 metre yürüme denemeleri gerçekleştirdi. Otuz beş biyomekanik ve klinik değişken çıkarıldı ve özellik seçimi beş anahtar öngörücü tanımladı: üç eksen boyunca çok ölçekli entropi (MSE), dikey geliştirilmiş harmonik oranı (iHRv) ve vücut ağırlığı. Koşullu Tabüler Jeneratif Adversarial Ağ (CTGAN) büyütme ile dengelenen bir Rastgele Orman sınıflandırıcısı, sağlam bir performans elde etti (ROCAUC = 0.84, PRAUC = 0.86, F1score = 0.76). Açıklanabilirlik analizleri, artmış MSE ve azaltılmış iHRv'nin yüksek prodromal yüke en güçlü katkıda bulunanlar olduğunu vurgulayarak, yüksek yürüyüş karmaşıklığı ve değiştirilmiş spatio-zamansal simetriyi gösterdi. Bu bulgular, PD'deki prodromal yük ile ilişkili bir yürüyüş fenotipini tanımlar ve erken hastalıkla ilgili motor değişikliklere mekanik bir bakış açısı sağlar.
Özgün kaynak özetini okuyun
Abstract Identifying Parkinson’s disease (PD) during its prodromal, non-motor phase remains a barrier to early intervention. Gait impairment represents one of the most disabling and clinically informative manifestations of PD. Subtle and sub-clinical gait impairments may occur during the prodromal phase, being potentially useful for early PD identification. This study developed an interpretable machine-learning framework using wearable inertial gait data to model and quantify high prodromal burden in PD, defined as the anamnestic presence of at least three prodromal symptoms. A total of 275 individuals with PD performed 30-m walking trials using a single lumbar inertial sensor. Thirty-five biomechanical and clinical variables were extracted, and feature selection identified five key predictors: multiscale entropy (MSE) along three axes, vertical improved harmonic ratio (iHRv), and body weight. A Random Forest classifier balanced through Conditional Tabular Generative Adversarial Network (CTGAN) augmentation achieved robust performance (ROCAUC = 0.84, PRAUC = 0.86, F1score = 0.76). Explainability analyses highlighted that increased MSE and reduced iHRv were the strongest contributors to high prodromal burden, indicating elevated gait complexity and altered spatio-temporal symmetry. These findings delineate a gait phenotype associated with prodromal burden in PD, providing mechanistic insight into early disease-related motor alterations.
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.