NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığının (PD) prevalansı tahminleri - en hızlı büyüyen nörodejeneratif hastalık - tanı doğruluğu, semptomatik tanı konmamış vakalar, suboptimal prodromal izleme ve sınırlı tarama erişimini çevreleyen sorunlar nedeniyle hafife alınır. Uzaktan izlenen giyilebilir cihazlar ve sensörler, motor ve motor dışı semptomların kesin, objektif ve sık ölçümlerini sağlar. Burada, hasta semptomları ve tanı arasındaki boşlukları ortadan kaldırmayı amaçlayan bir PD tarama aracı geliştirmek için WATCH-PD çalışmasından tüketici sınıfı giyilebilir cihaz ve sensör verilerini kullandık. Erken evre PD (n=82) ve yaşa uygun karşılaştırma (n=50) katılımcıları, bir yıllık uzunlamasına çok merkezli bir çalışma sırasında bir multidomain değerlendirme pilini tamamladı. Hastalık ve davranışla ilgili özellik mühendisliği ve erken evre PD durumunun çok değişkenli makine öğrenme modellemesini kullanarak, çevresel bağlamlar arasında iyi performans gösteren son derece doğru (%92,3), hassas (%90,0) ve spesifik (%100) Rastgele Orman sınıflandırma modeli (AUC=0,92) geliştirdik. Bu bulgular, küresel nüfus çapında PD taraması ve gözetimi için tüketici sınıfı giyilebilir cihazları ve sensörleri daha fazla keşfetmek için sağlam destek sağlamaktadır.
Özgün kaynak özetini okuyun
Prevalence estimates of Parkinson’s disease (PD) – the fastest growing neurodegenerative disease – are underestimated due to issues surrounding diagnostic accuracy, symptomatic undiagnosed cases, suboptimal prodromal monitoring, and limited screening access. Remotely monitored wearable devices and sensors provide precise, objective, and frequent measures of motor and non-motor symptoms. Here, we used consumer-grade wearable device and sensor data from the WATCH-PD study to develop a PD screening tool aimed at eliminating gaps between patient symptoms and diagnosis. Early-stage PD (n=82) and age-matched comparison (n=50) participants completed a multidomain assessment battery during a one-year longitudinal multicenter study. Using disease- and behavior-relevant feature engineering and multivariate machine learning modeling of early-stage PD status, we developed a highly accurate (92.3%), sensitive (90.0%), and specific (100%) Random Forest classification model (AUC=0.92) that performed well across environmental contexts. These findings provide robust support for further exploring consumer-grade wearable devices and sensors for global population-wide PD screening and surveillance.
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.