論文の概要: Analysis, Identification and Prediction of Parkinson's disease sub-types
and progression through Machine Learning
- arxiv url: http://arxiv.org/abs/2306.04748v1
- Date: Wed, 7 Jun 2023 19:54:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 17:53:12.097852
- Title: Analysis, Identification and Prediction of Parkinson's disease sub-types
and progression through Machine Learning
- Title(参考訳): 機械学習によるパーキンソン病のサブタイプと進展の解析, 同定および予測
- Authors: Ashwin Ram
- Abstract要約: パーキンソン病(英: Parkinson's disease、PD)は、様々な患者軌道を持つ神経変性疾患である。
根本原因や症状の進行についてはほとんど分かっていない。
- 参考スコア(独自算出の注目度): 6.09170287691728
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Parkinson's disease (PD) is a prevalent neurodegenerative disorder with
varying patient trajectories, yet little is understood about the underlying
causes and symptom progression. The Parkinson's Progression Markers Initiative
(PPMI) has collected comprehensive longitudinal data from diverse patient
cohorts to identify biomarkers and aid in the development of interventions.
Despite over 110 machine learning studies using the PPMI database, the majority
have focused on supervised models for diagnosis prediction, which has limited
impact on understanding patient variability and progression. This paper
addresses this gap by combining supervised and unsupervised machine learning
methods to identify subtypes that accurately predict disease progression in
Parkinson's patients. Building upon previous work, we replicate and extend the
study by integrating unsupervised patient clustering and prediction of present
and future symptoms using 5 additional years of longitudinal data from the
Progressive Parkinson's Markers Initiative (PPMI) database. Our findings
demonstrate accurate prediction of disease trajectories and symptoms at
baseline, offering valuable insights into patient heterogeneity and the
potential for personalized interventions. The integration of supervised and
unsupervised models presents a promising avenue for uncovering latent subgroups
and understanding the complexity of Parkinson's disease progression.
- Abstract(参考訳): パーキンソン病(英: Parkinson's disease、PD)は、様々な患者の軌跡を持つ神経変性疾患であるが、根本原因や症状の進行についてはほとんど理解されていない。
パーキンソンの進歩マーカーイニシアチブ(PPMI)は、多様な患者コホートから包括的な縦断データを収集し、バイオマーカーを特定し、介入の進展を支援する。
PPMIデータベースを用いた110以上の機械学習研究にもかかわらず、大多数は診断予測のための教師付きモデルに焦点を当てており、これは患者の多様性と進行の理解に限られている。
本稿では,パーキンソン病の進行を正確に予測するサブタイプを特定するために,教師付きと教師なしの機械学習手法を組み合わせることで,このギャップに対処する。
これまでの研究に基づいて,プログレッシブ・パーキンソンズ・マーカーズ・イニシアチブ(ppmi)データベースから得られた5年間の縦断データを用いて,教師なし患者のクラスタリングと現在および将来の症状の予測を統合し,研究を再現・拡張した。
本研究は, 患者の不均一性, パーソナライズされた介入の可能性について, 基礎疾患の軌跡と症状の正確な予測を行った。
教師付きモデルと教師なしモデルの統合は、潜在部分群を明らかにする有望な道を示し、パーキンソン病の進行の複雑さを理解する。
関連論文リスト
- Determining the severity of Parkinson's disease in patients using a
multi task neural network [0.7499722271664147]
パーキンソン病は進行すると容易に診断できるが、早期の診断は困難である。
本研究では,音声分析から容易に抽出できる変数の集合を解析する。
99.15%の成功率は、パーキンソン病またはパーキンソン病以外の重度のパーキンソン病に罹患しているかどうかを予測する問題で達成されている。
論文 参考訳(メタデータ) (2024-02-08T08:55:34Z) - Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。
パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。
進行の段階を特定するために設計されたAIツールは存在しない。
論文 参考訳(メタデータ) (2023-12-28T10:30:54Z) - Remote Medication Status Prediction for Individuals with Parkinson's
Disease using Time-series Data from Smartphones [75.23250968928578]
本稿では,パーキンソン病患者のmPowerデータセットを用いて薬剤状態を予測する方法を提案する。
提案手法は,3つの薬物状態を客観的に予測する上で有望な結果を示す。
論文 参考訳(メタデータ) (2022-07-26T02:08:08Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Subgroup discovery of Parkinson's Disease by utilizing a multi-modal
smart device system [63.20765930558542]
われわれはスマートウォッチとスマートフォンを使って、PD患者、DD、HCを含む504人の参加者のマルチモーダルデータを収集した。
様々なモダリティを組み合わせることで,分類精度が向上し,さらにPDクラスタが発見された。
論文 参考訳(メタデータ) (2022-05-12T08:59:57Z) - Toward a multimodal multitask model for neurodegenerative diseases
diagnosis and progression prediction [0.5735035463793008]
本稿では、アルツハイマー病の予測に使用されるモデルの様々なカテゴリを、それぞれの学習手法で概説する。
それは、アルツハイマー病の進行を早期に予測し、検出する比較研究を確立している。
最後に,ロバストかつ高精度な検出モデルを提案する。
論文 参考訳(メタデータ) (2021-10-10T11:44:16Z) - Predicting Parkinson's Disease with Multimodal Irregularly Collected
Longitudinal Smartphone Data [75.23250968928578]
パーキンソン病は神経疾患であり、高齢者に多い。
伝統的に病気を診断する方法は、一連の活動テストの品質に関する個人的主観的臨床評価に依存している。
そこで本研究では,スマートフォンが収集した生の行動データを用いて,パーキンソン病を予測するための時系列に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2020-09-25T01:50:15Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳(メタデータ) (2020-07-31T14:34:35Z) - Topological Descriptors for Parkinson's Disease Classification and
Regression Analysis [3.2898781698366726]
我々は,パーキンソン病の分類と重症度評価のプロセスを自動化するために,TDA(Topological Data Analysis)と機械学習ツールを併用することを提案する。
本稿では,パーキンソン病の姿勢変化解析にTDAを取り入れた手法を提案する。
本稿では, パーキンソン病データセットを健康高齢者, 健常若年者, パーキンソン病患者に応用することを目的とした。
論文 参考訳(メタデータ) (2020-04-15T22:59:07Z) - Analysis and Evaluation of Handwriting in Patients with Parkinson's
Disease Using kinematic, Geometrical, and Non-linear Features [0.0]
手書き分析は、診断を支援し、パーキンソン病の進行をモニタリングするのに役立ちます。
本稿では,パーキンソン病にともなう手書き障害をモデル化するための特徴群の重要性を評価することを目的とする。
論文 参考訳(メタデータ) (2020-02-13T09:54:41Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳(メタデータ) (2020-01-08T15:47:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。