A Kinematic Sensor and Algorithm to Detect Motor Fluctuations in Parkinson Disease: Validation Study Under Real Conditions of Use
Notice bibliographique
Résumé
BACKGROUND: A new algorithm has been developed, which combines information on gait bradykinesia and dyskinesia provided by a single kinematic sensor located on the waist of Parkinson disease (PD) patients to detect motor fluctuations (On- and Off-periods). OBJECTIVE: The goal of this study was to analyze the accuracy of this algorithm under real conditions of use. METHODS: This validation study of a motor-fluctuation detection algorithm was conducted on a sample of 23 patients with advanced PD. Patients were asked to wear the kinematic sensor for 1 to 3 days at home, while simultaneously keeping a diary of their On- and Off-periods. During this testing, researchers were not present, and patients continued to carry on their usual daily activities in their natural environment. The algorithm's outputs were compared with the patients' records, which were used as the gold standard. RESULTS: The algorithm produced 37% more results than the patients' records (671 vs 489). The positive predictive value of the algorithm to detect Off-periods, as compared with the patients' records, was 92% (95% CI 87.33%-97.3%) and the negative predictive value was 94% (95% CI 90.71%-97.1%); the overall classification accuracy was 92.20%. CONCLUSIONS: The kinematic sensor and the algorithm for detection of motor-fluctuations validated in this study are an accurate and useful tool for monitoring PD patients with difficult-to-control motor fluctuations in the outpatient setting.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».