NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığı (PD) için objektif bir biyobelirteç eksikliği olduğundan, klinik uygulama hastalığın ilerlemesini izlemek ve karakterize etmek için seri nörolojik değerlendirmelere dayanır. Bu klinik ölçekler, ince değişiklikleri tespit etme, hareketleri geniş kategorilere ayırma, uygun uygulama için önemli uzmanlık gerektirir ve erken teşhis için yeterince mantıklı değildir; görüntüleme belirteçleri erken teşhis için objektif ve mantıklıdır, ancak maliyetlidir ve yaygın olarak mevcut değildir. Hareket takibi için AI algoritmaları kullanılarak tahmin edilen video tabanlı hareket ölçümleri, PD'nin teşhisi ve değerlendirilmesi için yeni bir alternatifi temsil etmektedir. Video tabanlı önlemler objektif, küçük değişikliklere duyarlı, ucuz ve kolayca erişilebilir. Bu makale, PD'de hastalığın ilerlemesinin iyi kurulmuş klinik ve görüntüleme belirteçleri ile işaretsiz hareket takibi için AI tabanlı algoritmalar kullanarak Parmak Dokunma Testi videolarından elde edilen objektif kinematik önlemler arasındaki korelasyonu araştırıyor. Sonuçlar, işaretsiz hareket takibi için AI tabanlı algoritmaların Parmak Dokunma Testi sırasında el hareketlerini doğru bir şekilde izlediğini göstermektedir. Hız, süre, genlik ve ritim değişiklikleri gibi farklı hareket yönleri videolardan ölçülebilir. Analizlerimiz, bu video tabanlı önlemlerin Hareket Bozukluğu Derneği – Parkinson Hastalığı Değerlendirme Ölçeği Bölüm III ve Parmak Dokunma alt skoru da dahil olmak üzere klinik derecelendirme ölçekleriyle önemli ölçüde ilişkili olduğunu gösterdi. Ek olarak, bazı önlemler posterior Substantia Nigra'daki Serbest Su gibi görüntüleme belirteçleri ile önemli ölçüde ilişkiliydi. Ayrıca, video tabanlı önlemler, Parmak Dokunma Testi videolarından PD varlığını yüksek doğrulukla tespit edebilir. En iyi sınıflandırma modeli, ortalama %95 doğruluk ve alıcının 0.87 karakteristik eğrisini çalıştıran bir alan elde etti. Son olarak, işaretsiz hareket takibi ve objektif hareket önlemleri elde etmek için AI tabanlı algoritmalar kullanarak Parmak Dokunuşu Testi videolarını analiz etmek için kullanımı kolay bir arayüz olan El Takip Aracı'nı tanıtıyoruz.
Özgün kaynak özetini okuyun
Abstract As there is a lack of an objective biomarker for Parkinson’s disease (PD), the clinical practice relies on serial neurologic assessments to track and characterize disease progression. These clinical scales lack the resolution to detect subtle changes, classify the movements into broad categories, require significant expertise for proper application, and are not sensible enough for early diagnosis; imaging markers are objective and sensible for early diagnosis but are costly and not commonly available. The video-based movement measures estimated using AI algorithms for motion tracking represent a novel alternative for diagnosing and assessing PD. Video-based measures are objective, sensitive to small changes, inexpensive, and easily accessible. This paper explores the correlation between objective kinematics measures derived from videos of the Finger Tapping Test using AI-based algorithms for markerless motion tracking with well-established clinical and imaging markers of disease progression in PD. The results demonstrate that AI-based algorithms for markerless motion tracking accurately track hand movements during the Finger Tapping Test. Different movement aspects, such as speed, duration, amplitude, and rhythm alterations, can be quantified from the videos. Our analysis showed that these video-based measures were significantly correlated with clinical rating scales, including the Movement Disorder Society – Parkinson’s Disease Rating Scale Part III and its Finger Tapping subscore. Additionally, some measures significantly correlated with imaging markers, such as Free Water in the posterior Substantia Nigra. Furthermore, video-based measures could detect the presence of PD from the Finger Tapping Test videos with high accuracy. The best classification model achieved an average accuracy of 95% and an area under the receiver operating characteristic curve of 0.87. Finally, we introduce The Hand Tracking Tool, an easy-to-use interface for analyzing Finger Tapping Test videos using AI-based algorithms for markerless motion tracking and obtaining objective movement measures.
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.