NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson Hastalığı'nın (PD) yavaş ilerleme doğası göz önüne alındığında, doğru evre sınıflandırması etkili hastalık yönetimi için baskındır. Genellikle kısa süreli hekim-hasta etkileşimlerine dayanan geleneksel klinik değerlendirmeler, nüanslı hastalık ilerlemelerini kaçırabilir. Sürekli izleme yetenekleri ve son makine öğrenimi (ML) ilerlemeleri ile desteklenen izleme tabanları (MONI) gibi giyilebilir cihazlar umut verici bir çözüm sunuyor. Bununla birlikte, tüm PD aşamalarını kapsayan kapsamlı bir veri kümesini yakalamak, veri dengesizliklerine yol açmakta zorlanmaktadır. Bu dengesizlikler, ML modellerinin çoğunluk sınıfını desteklemesine, yüksek doğruluk elde etmesine, ancak klinik alakadan ödün vermesine neden olabilir. PD verilerindeki bu doğal zorluğu gidermek için, en etkili iki örnekleme yöntemini belirledik: Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve Tomek-Links. PD hastalarından toplanan ayak parmağıyla tutturma veri setlerini ve MONI kullanan yaş uyumlu sağlıklı kontrollerini (HC) kullanarak veri denge performanslarını karşılaştırdık. Ek olarak, her tekniğin etkinliğini belirlemek ve PD sahne sınıflandırmasına katkıda bulunan en önemli faktörleri doğrulamak için sıralama için SHapley Additive exPlanations (SHAP) kullandık, bu faktörleri PD'nin altta yatan mekanizmaları veya semptomlarıyla ilişkilendirdik. Veri dengeleme, orijinal veri kümesine kıyasla kademeli sınıflandırmayı %5-7 oranında artırdı. Bulgularımız, SMOTE ve Tomek-Links dengeli verilerle, sadece sahne sınıflandırmasının doğruluğunu ve sağlamlığını geliştirmekle kalmayıp, aynı zamanda HC çoğunluk sınıfını tercih etmekten ziyade her aşamayla doğrudan ilişkisi olan özellikleri vurgulayan modeli gözlemlediğimizi ve böylece bir modelin PD alanına göre uyarlanmasını sağladığını göstermektedir.
Özgün kaynak özetini okuyun
Abstract Given the slow progression nature of Parkinson's Disease (PD), accurate stage classification is predominant for effective disease management. Traditional clinical evaluations, often based on brief physician-patient interactions, can miss nuanced disease progressions. With their continuous monitoring capabilities and bolstered by recent machine learning (ML) advancements, wearable devices such as monitoring insoles (MONI) present a promising solution. However, capturing a comprehensive dataset spanning all PD stages is challenging, leading to data imbalances. These imbalances can cause ML models to favor the majority class, achieving high accuracy but compromising clinical relevance. To address this inherent challenge in PD data, we identified two most effective sampling methods: Synthetic Minority Over-sampling Technique (SMOTE) and Tomek-Links. We compared their data balance performance using toe-tapping datasets collected from PD patients and their age-matched healthy controls (HC) wearing MONI. Additionally, we utilized SHapley Additive exPlanations (SHAP) for ranking to ascertain each technique's efficacy and verify the top factors contributing to PD stage classification, relating these factors to the underlying mechanisms or symptoms of PD. Data balancing enhanced stage classification by 5-7% compared to the original dataset. Our findings show that with SMOTE and Tomek-Links balanced data, we were able not only to improve the accuracy and robustness of stage classification but also observed the model emphasizing features that have a direct relation to each stage rather than favoring the HC majority class, thus ensuring a model is tailored to the PD domain.
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.