High-Dimensional Analysis of Finger Motion and Screening of Cervical Myelopathy With a Noncontact Sensor: Diagnostic Case-Control Study
Notice bibliographique
Résumé
BACKGROUND: Cervical myelopathy (CM) causes several symptoms such as clumsiness of the hands and often requires surgery. Screening and early diagnosis of CM are important because some patients are unaware of their early symptoms and consult a surgeon only after their condition has become severe. The 10-second hand grip and release test is commonly used to check for the presence of CM. The test is simple but would be more useful for screening if it could objectively evaluate the changes in movement specific to CM. A previous study analyzed finger movements in the 10-second hand grip and release test using the Leap Motion, a noncontact sensor, and a system was developed that can diagnose CM with high sensitivity and specificity using machine learning. However, the previous study had limitations in that the system recorded few parameters and did not differentiate CM from other hand disorders. OBJECTIVE: This study aims to develop a system that can diagnose CM with higher sensitivity and specificity, and distinguish CM from carpal tunnel syndrome (CTS), a common hand disorder. We then validated the system with a modified Leap Motion that can record the joints of each finger. METHODS: In total, 31, 27, and 29 participants were recruited into the CM, CTS, and control groups, respectively. We developed a system using Leap Motion that recorded 229 parameters of finger movements while participants gripped and released their fingers as rapidly as possible. A support vector machine was used for machine learning to develop the binary classification model and calculated the sensitivity, specificity, and area under the curve (AUC). We developed two models, one to diagnose CM among the CM and control groups (CM/control model), and the other to diagnose CM among the CM and non-CM groups (CM/non-CM model). RESULTS: The CM/control model indexes were as follows: sensitivity 74.2%, specificity 89.7%, and AUC 0.82. The CM/non-CM model indexes were as follows: sensitivity 71%, specificity 72.87%, and AUC 0.74. CONCLUSIONS: We developed a screening system capable of diagnosing CM with higher sensitivity and specificity. This system can differentiate patients with CM from patients with CTS as well as healthy patients and has the potential to screen for CM in a variety of patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».