Detecting Sensitive Mobility Features for Parkinson's Disease Stages Via Machine Learning
Notice bibliographique
Résumé
BACKGROUND: It is not clear how specific gait measures reflect disease severity across the disease spectrum in Parkinson's disease (PD). OBJECTIVE: To identify the gait and mobility measures that are most sensitive and reflective of PD motor stages and determine the optimal sensor location in each disease stage. METHODS: Cross-sectional wearable-sensor records were collected in 332 patients with PD (Hoehn and Yahr scale I-III) and 100 age-matched healthy controls. Sensors were adhered to the participant's lower back, bilateral ankles, and wrists. Study participants walked in a ~15-meter corridor for 1 minute under two walking conditions: (1) preferred, usual walking speed and (2) walking while engaging in a cognitive task (dual-task). A subgroup (n = 303, 67% PD) also performed the Timed Up and Go test. Multiple machine-learning feature selection and classification algorithms were applied to discriminate between controls and PD and between the different PD severity stages. RESULTS: High discriminatory values were found between motor disease stages with mean sensitivity in the range 72%-83%, specificity 69%-80%, and area under the curve (AUC) 0.76-0.90. Measures from upper-limb sensors best discriminated controls from early PD, turning measures obtained from the trunk sensor were prominent in mid-stage PD, and stride timing and regularity were discriminative in more advanced stages. CONCLUSIONS: Applying machine-learning to multiple, wearable-derived features reveals that different measures of gait and mobility are associated with and discriminate distinct stages of PD. These disparate feature sets can augment the objective monitoring of disease progression and may be useful for cohort selection and power analyses in clinical trials of PD. © 2021 International Parkinson and Movement Disorder Society.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».