Probabilistic muscle characterization using QEMG: Application to neuropathic muscle
Notice bibliographique
Résumé
Clinicians who use electromyographic (EMG) signals to help determine the presence or absence of abnormality in a muscle often, with varying degrees of success, evaluate sets of motor unit potentials (MUPs) qualitatively and/or quantitatively to characterize the muscle in a clinically meaningful way. The resulting muscle characterization can be improved using automated analysis. As such, the intent of this study was to evaluate the performance of automated, conventional Means/Outlier and Probabilistic methods in converting MUP statistics into a concise, and clinically relevant, muscle characterization. Probabilistic methods combine the set of MUP characterizations, derived using Pattern Discovery (PD), of all MUPs detected from a muscle into a characterization measure that indicates normality or abnormality. Using MUP data from healthy control subjects and patients with known neuropathic disorders, a Probabilistic method that used Bayes' rule to combine MUP characterizations into a Bayesian muscle characterization (BMC) achieved a categorization accuracy of 79.7% compared to 76.4% using the Mean method (P > 0.1) for biceps muscles and 94.6% accuracy for the BMC method compared to 85.8% using the Mean method (P < 0.01) for first dorsal interosseous muscles. The BMC method can facilitate the determination of "possible," "probable," or "definite" levels for a given muscle categorization (e.g., neuropathic) whereas the conventional Means and Outlier methods support only a dichotomous "normal" or "abnormal" decision. This work demonstrates that the BMC method can provide information that may be more useful in supporting clinical decisions than that provided by the conventional Means or Outlier methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».