Profiling Somatosensory Impairment after Stroke: Characterizing Common “Fingerprints” of Impairment Using Unsupervised Machine Learning-Based Cluster Analysis of Quantitative Measures of the Upper Limb
Notice bibliographique
Résumé
Altered somatosensory function is common among stroke survivors, yet is often poorly characterized. Methods of profiling somatosensation that illustrate the variability in impairment within and across different modalities remain limited. We aimed to characterize post-stroke somatosensation profiles (“fingerprints”) of the upper limb using an unsupervised machine learning cluster analysis to capture hidden relationships between measures of touch, proprioception, and haptic object recognition. Raw data were pooled from six studies where multiple quantitative measures of upper limb somatosensation were collected from stroke survivors (n = 207) using the Tactile Discrimination Test (TDT), Wrist Position Sense Test (WPST) and functional Tactile Object Recognition Test (fTORT) on the contralesional and ipsilesional upper limbs. The Growing Self Organizing Map (GSOM) unsupervised machine learning algorithm was used to generate a topology-preserving two-dimensional mapping of the pooled data and then separate it into clusters. Signature profiles of somatosensory impairment across two modalities (TDT and WPST; n = 203) and three modalities (TDT, WPST, and fTORT; n = 141) were characterized for both hands. Distinct impairment subgroups were identified. The influence of background and clinical variables was also modelled. The study provided evidence of the utility of unsupervised cluster analysis that can profile stroke survivor signatures of somatosensory impairment, which may inform improved diagnosis and characterization of impairment patterns.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».