Machine Learning for Early Detection and Severity Classification in People with Parkinson's Disease

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Özet Parkinson hastalığının erken teşhisi (PD) ve hastalığın ilerlemesinin doğru değerlendirilmesi tedavi ve rehabilitasyonu optimize etmek için kritik öneme sahiptir. Bununla birlikte, erken evre PD'nin etkili bir şekilde nasıl tespit edileceği ve yürüyüş analizi kullanılarak motor semptom şiddetinin sınıflandırılması konusunda bir fikir birliği yoktur. Bu çalışma, PD'nin erken ve orta aşamalarının farklı yürüme hızlarında spatiyotemporal yürüyüş özelliklerine göre sınıflandırılmasında makine öğrenimi (ML) modellerinin doğruluğunu değerlendirdi. PD (61 erken aşama, 42 orta aşama) ve 75 sağlıklı kontrole sahip 103 kişi dahil olmak üzere toplam 178 katılımcı işe alındı. Katılımcılar 24 metrelik bir yürüyüş yolunda üç hızda bir yürüyüş testi gerçekleştirdiler: tercih edilen yürüme hızı (PWS),% 20 daha hızlı (HWS) ve% 20 daha yavaş (LWS). Temel özellikler - PWS'de yürüme hızı, HWS'de basamak uzunluğu ve LWS'de basamak uzunluğunun katsayısı - rastgele orman algoritmasını kullanarak% 78,1'lik bir sınıflandırma doğruluğu elde etti. Erken PD tespiti için, HWS'deki adım uzunluğu ve LWS'deki CV, Nave Bayes ile %67,3 doğruluk sağladı. PWS'de yürüme hızı, %69,8 doğrulukla, orta dereceli PD'den erken ayırt etmek için en kritik özellikti. Bu bulgular, farklı hız koşulları altında ardışık adımlar üzerinden yürüyüş değerlendirmenin PD halkının erken tespitini ve ciddiyet değerlendirmesini iyileştirebileceğini göstermektedir.

Özgün kaynak özetini okuyun

Abstract Early detection of Parkinson's disease (PD) and accurate assessment of disease progression are critical for optimizing treatment and rehabilitation. However, there is no consensus on how to effectively detect early-stage PD and classify motor symptom severity using gait analysis. This study evaluated the accuracy of machine learning (ML) models in classifying early and moderate stages of PD based on spatiotemporal gait features at different walking speeds. A total of 178 participants were recruited, including 103 individuals with PD (61 early-stage, 42 moderate-stage) and 75 healthy controls. Participants performed a walking test on a 24-meter walkway at three speeds: preferred walking speed (PWS), 20% faster (HWS), and 20% slower (LWS). Key features—walking speed at PWS, stride length at HWS, and the coefficient of variation (CV) of stride length at LWS—achieved a classification accuracy of 78.1% using the random forest algorithm. For early PD detection, stride length at HWS and CV at LWS provided 67.3% accuracy with Naïve Bayes. Walking speed at PWS was the most critical feature for distinguishing early from moderate PD, with an accuracy of 69.8%. These findings suggest that assessing gait over consecutive steps under different speed conditions may improve early detection and severity assessment of people of PD.

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.