Parkinson Hastalığı Seviyesi Tahmininde Vokal Kord Ölçümü Tabanlı Yapay Sinir Ağı Yaklaşımı

Abstract

Amaç: Parkinson hastalığı kronik, ilerleyici ve nörolojik

dejeneratif hareket bozukluğuna sebebiyet veren bir hastalıktır.

Dopaminerjik yetersizlik, beyinde substantia nigra bölgesinin

pars compacta kısmında dopaminerjik nöronların ölümü

sonucu oluşur ve Parkinson hastalığına neden olur. BPHDÖ

(Birleşik Parkinson Hastalığı Derecelendirme Ölçeği)

Parkinson hastalığının klinik seyrini ölçmede kullanılan

en yaygın ölçektir. Siliko tahmin yöntemlerinde kullanılan

hesaplamaya dayalı son çalışmalar, tanısal uygulamalarla

ilişkileri açısından umut vadetmektedirler. Çalışmada

hesaplamalı metodların, vocal kord titreşimleri ölçümü

(Telemonitoring) sonuçları kullanılarak Parkinson tanısında

kullanılan BPHD ölçeği değerlendirilmesi amaçlanmıştır.

Materyal-Method: Bu çalışmada yapay sinir ağı modeli

yardımıyla regresyon analizi yöntemi kullanılarak motor,

toplam BPHDÖ klinik sonuçları ve vocal kord ölçümleri

kullanılarak Parkinson Hastalığı için tanısal bir model elde

edilmeye çalışılmıştır. Buna ek olarak telemonitoring very

setinden elde edilen regresyon algoritmasındaki ve BPHD

ölçeğindeki farklı niceliklerin önemi araştırılmıştır.

Bulgular: Analiz sonucunda öngörülen BPHDÖ motor

sonucu ile klinik ortamda değerlendirilen BPHDÖ motor

sonuçları arasındaki korelasyon değeri %97 bulunmuştur.

Telemonitoring değerlerinden olan, Jitter değerlerinin

regresyon algoritmasından çıkarılmasının, modelin öngörü

gücüne doğrudan etkisinin olmadığı görülmüştür.

Sonuç: Oluşturulan tahmin modellerinden elde edilen

sonuçlar doğrultusunda, klinik BPHDÖ ölçümlerinin önemi

ispatlanmıştır, telemonitoring eklenmesi ile daha iyi bir

öngörü modeli oluşturulmuştur.

Keywords

• Parkinson Hastalığı,Yapay Sinir Ağları,Regresyon Analizi

Vocal Cord Measures Based Artificial Neural Network Approach for Prediction of Parkinson’ s Disease Status

Abstract

Objective: Parkinson’s disease is a chronic

neurodegenerative impairment which causes movement

impairment. Dopaminergic deficiency resulted from the loss

of dopaminergic neurons in the substantia nigracauses the

disease. UPDRS (Unified Park-inson’s disease rating scale)

is an important scale for evaluation of clinical severity of

Parkinson’s disease. Recent computational studies using in

silico prediction methods show promising results in terms

of their potential diagnostic relevance. This study aims to

evaluate the diagnostic potential of in silico methods using

vocal cord vibrations and the UPDR scale of Parkinson’s

Disease for obtaining more precise diagnosis model.

Material-Method: In this study an in silico prediction model

using telemonitoring measures, clinical motor and total

UPDRS for diagnosis of Parkinson’s disease was developed

by using regression analysis with neural network model. In

addition, we investigated the importance of different attributes

in our regression algorithm provided from telemonitoring and

UPDRS for evaluation of their predictive relevance.

Results: The correlation between predicted motor UPDRS

score and clinical motor UPDRS score was found as 97%.

Exclusion of Jitter values did not directly affect the predictive

power of the model.

Conclusions: Clinical UPDRS scoring proved its importance

to achieve to generate more predictive models.

Keywords

• Parkinson’s Disease,Artificial Neural Network,Regression Analysis

References

1. 1. Poirier J, Parkinson J. Geriatrie et Psychologie Neuropsychiatrie Du Vieillissement 2013; 11(1): 65–72. 2. Kalia LV, Lang AE. Parkinson’s disease. The Lancet 2015; 386(9996): 896–912. 3. Tsanas A, Little MA, McSharry PE, Ramig LO. Accurate telemonitoring of Parkinson’s disease progression by noninvasive speech tests. IEEE Transactions on Biomedical Engineering 2010; 57(4): 884–893. 4. Tsanas A, Little MA, McSharry PE, Ramig LO. Enhanced Classical Dysphonia measures and sparse Regression for Tele Monitoring of Parkinson’s disease Progression 2010; 594–597. 5. Goetz CG, Stebbins GT, Wolff D, DeLeeuw W, Bronte- Stewart H, Elble R, Hallett M, Nutt J, Ramig L, Sanger T, Wu AD, Kraus PH, Blasucci LM, Shamim EA, Sethi KD, Spielman J, Kubota K, Grove AS, Dishman E, Taylor CB. Testing objective measures of motor impairment in early Parkinson’s disease: Feasibility study of an at-home testing device Movement Disorder 2009; 24(4): 551-556. 6. Little MA, McSharry PE, Hunter EJ, Spielman J, Ramig LO. Suitability of dysphonia meas-urements for telemonitoring of Parkinson’s disease. IEEE Trans. Biomed. Eng. 2009; 56(4): 1015-1022. 7. Amato F, López A, Peña-Méndez EM, Vaňhara P, Hampl A, Havel J. Artificial neural networks in medical diagnosis. Journal of Applied Biomedicine 2013; 11(2): 47-58 8. Hofmann M, Klinkenberg R. RapidMiner: Data MiningUse Cases and Business Analytics Applications Chapman & Hall / CRC Data Mining and Knowledge Discovery Series, CRC Press, 2013 9. Jankovic, J. Parkinson’s disease: Clinical Features and Diagnosis. J Neurol Neurosurg Psychiatry 2008; 79(4): 368- 76.