NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Abstract Background: Bradikinezinin değerlendirilmesi MDS-UPDRS'den dört motor görevi üzerine kuruludur. Bu motor görevlerini görsel olarak puanlamak özneldir, bu da önemli interrater değişkenlik ile sonuçlanır. Son gözlemler, bradikinezinin karakteristik özelliklerini duymanın daha kolay olabileceğini düşündürmektedir, örneğin genlikteki azalma veya tekrarlayan hareketlerin kuvveti. Amaçlar: Dört MDS-UPDRS görevi sırasında elde edilen ses sinyallerinin, iki makine öğrenme modeli kullanılarak bradykineziyi tespit etmek ve derecelendirmek için kullanılıp kullanılamayacağını değerlendirmek. Yöntemler: Parkinson hastalığı olan 54 hasta ve bradikinezi motor görevlerini yerine getirirken 28 sağlıklı kontrol kaydedildi. Ses sinyalinden, musluk sayısı, hız, genlik, azalma ve donma gibi çeşitli özellikler çıkarıldı. Her motor görevi için, iki denetimli makine öğrenme modeli, Logistic Regression (LR) ve Support Vector Machine (SVM) eğitildi. Bulgular: Her iki sınıflandırıcı da hastaları bacak çevikliği görevi için makul derecede iyi kontrollerden, alıcının çalışma karakteristik eğrisinin altındaki alandan (AUC): LR için 0.92 (%95CI: 0.78-0.99) ve SVM için 0.93 (0.81-1.00) ayırabildi. Ayrıca, modeller daha az şiddetli bradikineziyi şiddetli bradikineziden ayırt edebildi, özellikle pronasyon-süpinasyon motor görevi için, AUC: 0.90 (0.62-1.00) LR ve 0.82 (0.45-0.97) SVM için. Sonuç: Bu ses tabanlı yaklaşım, PD'yi orta derecede yüksek doğrulukla sağlıklı kontrollerden ayırır ve daha az şiddetli bradikinezili bireyleri şiddetli bradikinezili olanlardan ayırır. Ses analizi bradikinezinin tanımlanmasına ve izlenmesine katkıda bulunabilir.
Özgün kaynak özetini okuyun
Abstract Background: Evaluation of bradykinesia is based on four motor tasks from the MDS-UPDRS. Visually scoring these motor tasks is subjective, resulting in significant interrater variability. Recent observations suggest that it may be easier to hear the characteristic features of bradykinesia, such as the decrement in amplitude or force of repetitive movements. Objectives: To evaluate whether audio signals derived during four MDS-UPDRS tasks can be used to detect and grade bradykinesia, using two machine learning models. Methods: 54 patients with Parkinson’s disease and 28 healthy controls were filmed while executing the bradykinesia motor tasks. Several features were extracted from the audio signal, including number of taps, speed, amplitude, decrement and freezes. For each motor task, two supervised machine learning models were trained, Logistic Regression (LR) and Support Vector Machine (SVM). Results: Both classifiers were able to separate patients from controls reasonably well for the leg agility task, area under the receiver operating characteristic curve (AUC): 0.92 (95%CI: 0.78-0.99) for LR and 0.93 (0.81-1.00) for SVM. Also, models were able to differentiate less severe bradykinesia from severe bradykinesia, particularly for the pronation-supination motor task, with AUC: 0.90 (0.62-1.00) for LR and 0.82 (0.45-0.97) for SVM. Conclusions: This audio-based approach discriminates PD from healthy controls with moderate-high accuracy and separated individuals with less severe bradykinesia from those with severe bradykinesia. Sound analysis may contribute to the identification and monitoring of bradykinesia.
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.