NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı (PD), hastaların yaşam kalitesi üzerinde çeşitli etkileri olan motor ve motor bozukluğu olmayan bir nörodejeneratif bozukluktur. Şu anda mevcut terapiler sadece semptomatik olduğundan, prodromal, preklinik veya erken evre PD'li bireyleri tanımlamak çok önemlidir, çünkü gelecekteki hastalık değiştirici terapiler için ideal adaylar olacaktır. Analizlerimiz, PD ve PD olmayan bireylerden toplanan ivmeölçer verilerini kullanarak, telefon görüşmeleri sırasında hafif veya titremesiz olarak doğru PD tespiti için sağlam bir model geliştirmeyi amaçlamaktadır. 22 PD hastasından ve 11 sağlıklı kontrolden (HC) oluşan bir açık erişim veri seti kullanıldı. Veriler, ilgili zaman, frekans ve enerji ile ilgili özellikleri çıkarmak için önceden işlendi ve dikkat mekanizmasına sahip bir Çift Yönlü Uzun Kısa Vadeli Bellek (Bi-LSTM) modeli sınıflandırma için kullanıldı. Modelin performansı 5 kat çapraz doğrulama kullanılarak değerlendirildi ve doğruluk, hassasiyet, hatırlama, özgüllük ve f1-score ölçümleri hesaplandı. Önerilen model, PD hastalarını HC'den doğru bir şekilde ayırt etmede yüksek doğruluk (%98), hassasiyet (%99), geri çağırma (%98), özgüllük (%96) ve f1-score (%98) gösterdi. Bulgularımız, önerilen modelin mevcut yaklaşımlardan daha iyi performans gösterdiğini ve doğada titreme gibi ince semptomlarla PD'nin tespiti için söz verdiğini göstermektedir. Bu tür semptomlar hastalığın erken veya hatta prodromal aşamasında ortaya çıkabilir ve uygun mobil tabanlı uygulamalar, tıbbi yardım almak veya hastalara semptomlarını izlemede geri bildirim vermek için risk altındaki bireyleri uyarmak için gerçek yaşam ortamlarında pratik bir araç olabilir.
Özgün kaynak özetini okuyun
Parkinson’s Disease (PD) is a neurodegenerative disorder characterized by motor and non-motor impairment with various implications on patients’ quality of life. Since currently available therapies are only symptomatic, identifying individuals with prodromal, preclinical or early-stage PD is crucial, as they would be ideal candidates for future disease-modifying therapies. Our analysis aims to develop a robust model for accurate PD detection using accelerometer data collected from PD and non-PD individuals with mild or no tremor during phone conversations. An open-access dataset comprising accelerometer recordings from 22 PD patients and 11 healthy controls (HC) was utilized. The data were pre-processed to extract relevant time, frequency and energy-related features, and a Bidirectional Long Short-Term Memory (Bi-LSTM) model with attention mechanism was employed for classification. The performance of the model was evaluated using 5-fold cross-validation, and metrics of accuracy, precision, recall, specificity, and f1-score were computed. The proposed model demonstrated high accuracy (98%), precision (99%), recall (98%), specificity (96%), and f1-score (98%) in accurately distinguishing PD patients from HC. Our findings indicate that the proposed model outperforms existing approaches and holds promise for detection of PD with subtle symptoms, like tremor, in the wild. Such symptoms can present in the early or even prodromal stage of the disease, and appropriate mobile-based applications may be a practical tool in real-life settings to alert individuals at risk to seek medical assistance or give patients feedback in monitoring their symptoms.
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.