NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Derin öğrenmeyi kullanmak, klinik kanıtlara dayalı bilinçli kararlar vermede önemli bir potansiyel göstermiştir. Bu çalışmada, ilacı optimize etmekle uğraşıyoruz ve Parkinson hastalığı (PD) olan hastalar için ilaç dozajını tahmin etmede derin öğrenmenin rolünü kantitatif olarak sunuyoruz. Önerilen yöntem, tekrarlayan sinir ağları (RNN'ler) üzerine kuruludur ve levodopa, dopamin agonistleri, monoamin oksidaz-B inhibitörleri, katekol-O-metiltransferaz inhibitörleri ve amantadin dahil olmak üzere PD için beş kritik ilaç türünün dozajını tahmin etmeye çalışır. Tekrarlayan sinir ağları, önceki hasta ziyaretlerinden önemli bilgileri tutan hafıza bloklarına sahiptir. Bu özellik, nörologun hastanın önceki durumuna ve bilinçli kararlar vermek için reçete edilen ilaca atıfta bulunabileceğinden, PD'li hastalar için yararlıdır. Parkinson İlerleme İşaretçileri Girişimi'nden veri topladık. Veri kümesinde, Birleşik Parkinson Hastalığı Değerlendirme Ölçeği, Günlük Yaşam Faaliyetleri, Hoehn ve Yahr ölçeği, demografik detaylar ve her hasta için ilaç kullanım kayıtları hakkında bilgi yer aldı. Çok katmanlı algılayıcı (MLP), Simple-RNN, uzun kısa süreli bellek (LSTM) ve kapılı tekrarlayan üniteler (GRU) gibi birkaç modeli değerlendirdik. Analizlerimiz, nöral sinir ağlarının (LSTM ve GRU) en iyi performansı gösterdiğini buldu. Daha spesifik olarak, LSTM kullanırken, levodopa ve dopamin agonist dozajını 0.009 ve 0.003 ortalama kare hatası, 0.062 ve 0.030 mutlak hatası, 0.099 ve 0.053 kök ortalama kare hatası ve sırasıyla 0,514 ve 0.711 R karesi ile tahmin edebildik.
Özgün kaynak özetini okuyun
Abstract Using deep learning has demonstrated significant potential in making informed decisions based on clinical evidence. In this study, we deal with optimizing medication and quantitatively present the role of deep learning in predicting the medication dosage for patients with Parkinson's disease (PD). The proposed method is based on recurrent neural networks (RNNs) and tries to predict the dosage of five critical medication types for PD, including levodopa, dopamine agonists, monoamine oxidase-B inhibitors, catechol-O-methyltransferase inhibitors, and amantadine. Recurrent neural networks have memory blocks that retain crucial information from previous patient visits. This feature is helpful for patients with PD, as the neurologist can refer to the patient's previous state and the prescribed medication to make informed decisions. We employed data from the Parkinson's Progression Markers Initiative. The dataset included information on the Unified Parkinson's Disease Rating Scale, Activities of Daily Living, Hoehn and Yahr scale, demographic details, and medication use logs for each patient. We evaluated several models, such as multi-layer perceptron (MLP), Simple-RNN, long short-term memory (LSTM), and gated recurrent units (GRU). Our analysis found that recurrent neural networks (LSTM and GRU) performed the best. More specifically, when using LSTM, we were able to predict levodopa and dopamine agonist dosage with a mean squared error of 0.009 and 0.003, mean absolute error of 0.062 and 0.030, root mean square error of 0.099 and 0.053, and R-squared of 0.514 and 0.711, respectively.
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.