An Individualized Multi-Modal Approach for Detection of Medication “Off” Episodes in Parkinson’s Disease via Wearable Sensors
Notice bibliographique
Résumé
The primary treatment for Parkinson’s disease (PD) is supplementation of levodopa (L-dopa). With disease progression, people may experience motor and non-motor fluctuations, whereby the PD symptoms return before the next dose of medication. Paradoxically, in order to prevent wearing-off, one must take the next dose while still feeling well, as the upcoming off episodes can be unpredictable. Waiting until feeling wearing-off and then taking the next dose of medication is a sub-optimal strategy, as the medication can take up to an hour to be absorbed. Ultimately, early detection of wearing-off before people are consciously aware would be ideal. Towards this goal, we examined whether or not a wearable sensor recording autonomic nervous system (ANS) activity could be used to predict wearing-off in people on L-dopa. We had PD subjects on L-dopa record a diary of their on/off status over 24 hours while wearing a wearable sensor (E4 wristband®) that recorded ANS dynamics, including electrodermal activity (EDA), heart rate (HR), blood volume pulse (BVP), and skin temperature (TEMP). A joint empirical mode decomposition (EMD) / regression analysis was used to predict wearing-off (WO) time. When we used individually specific models assessed with cross-validation, we obtained > 90% correlation between the original OFF state logged by the patients and the reconstructed signal. However, a pooled model using the same combination of ASR measures across subjects was not statistically significant. This proof-of-principle study suggests that ANS dynamics can be used to assess the on/off phenomenon in people with PD taking L-dopa, but must be individually calibrated. More work is required to determine if individual wearing-off detection can take place before people become consciously aware of it.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».