Symptom analysis of Parkinson’s disease utilizing machine learning methods
Koivisto, Pinja (2023)
Koivisto, Pinja
2023
Bioteknologian ja biolääketieteen tekniikan kandidaattiohjelma - Bachelor's Programme in Biotechnology and Biomedical Engineering
Lääketieteen ja terveysteknologian tiedekunta - Faculty of Medicine and Health Technology
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-05-29
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202305195937
https://urn.fi/URN:NBN:fi:tuni-202305195937
Tiivistelmä
While monitoring Parkinson’s disease progression or observing the everchanging severity stage of the disease, the patients are keeping symptom diaries and making regular visits to the neurologist clinic for evaluation. The diaries are based on patients own memories which tend to be unreliable in addition to the burdensome clinical appointments. Therefore, the research is focused on automatizing the burden with the help of machine learning classifiers. These classifiers are trained to either recognize the current severity stage of a patient or make a prediction about future outcomes, such as the progression rate of the disease or a freezing of gait event. The data on which the classifiers are trained with is gathered via wearable sensors that attain several gait parametrics from different walking tasks or daily activities conducted.
This thesis presents several studies conducted during the years of 2020–2023 which aim to develop a machine learning algorithm to classify the correct state of the patient according to the disease stage, or predict medical outcomes before their occurring. Their performance metrics are evaluated, especially regarding their accuracy, sensitivity and specificity results. Additionally, this thesis introduces background of gait analysis and machine learning methods. The changes in gait that Parkinson’s disease inflicts are discussed alongside the clinical criteria used in evaluating the changes and patient’s condition.
This thesis is a literature review, which aims to find the best possible machine learning algorithms for symptom analysis of Parkinson’s disease. It concludes that comprehensive conclusions are difficult to draw, since the algorithm performance can be analysed with several different metrics. Even though most of the algorithms gained adequate results, the research still includes several limitations to solve before the algorithm can be validated for clinical use as a symptom monitoring system. Parkinsonin taudin etenemisen seuranta perustuu potilaiden omiin oirepäiväkirjamerkintöihin. Lisäksi taudin jatkuvasti muuttuvaa vakavuusastetta seurataan säännöllisesti neurologin klinikalla. Päiväkirjat perustuvat potilaan omiin muistikuviin, jotka ovat yleensä epäluotettavia ja klinikalla käynti raskasta. Siksi tutkimus keskittyy taakan automatisointiin koneoppimismenetelmien avulla. Nämä algoritmit koulutetaan joko tunnistamaan taudin nykyinen vakavuusaste tai ennustamaan tulevia tuloksia, kuten taudin etenemisnopeutta tai kävelykyvyn jäätymistä. Tietoja, joilla koneoppimisalgoritmeja koulutetaan, kerätään puettavien sensoreiden avulla. Nämä keräävät dataa useista eri kävelyparametreista, jotka saadaan talteen erilaisia kävelytestejä hyödyntäen.
Tässä työssä esitellään useita vuosina 2020–2023 tehtyjä tutkimuksia, joiden tarkoituksena on kehittää koneoppimisalgoritmeja, jotka luokittelevat potilaan oikeaan vakavuusastekategoriaan tai ennustavat lääketieteellisiä tuloksia ennen niiden ilmenemistä. Algoritmien suorituskykymittareita arvioidaan erityisesti tarkkuuden, herkkyyden ja spesifisyyden suhteen. Lisäksi työssä taustoitetaan kävelyanalyysin periaatteita, puettavia sensoreita sekä yleisimpiä koneoppimismenetelmiä, joita tutkimukset ovat käyttäneet. Parkinsonin taudin myötä kävelyyn kohdistuvia muutoksia käsitellään ja potilaan tilan arvioinnissa käytettyjä kliinisiä kriteerejä esitellään.
Tämä työ on kirjallisuuskatsaus, jonka tavoitteena on löytää parhaat mahdolliset koneoppimisalgoritmit Parkinsonin taudin oireiden analysointiin. Tuloksista voidaan päätellä, että kattavaa johtopäätöstä on vaikea tehdä, koska algoritmien suorituskykyä voidaan analysoida useilla eri mittareilla. Vaikka suurin osa algoritmeista saivatkin onnistuneita tuloksia, tutkimukset sisälsivät silti useita rajoituksia, jotka ovat ratkaistava ennen kuin algoritmi voidaan validoida kliiniseen käyttöön oireiden seurantajärjestelmänä.
This thesis presents several studies conducted during the years of 2020–2023 which aim to develop a machine learning algorithm to classify the correct state of the patient according to the disease stage, or predict medical outcomes before their occurring. Their performance metrics are evaluated, especially regarding their accuracy, sensitivity and specificity results. Additionally, this thesis introduces background of gait analysis and machine learning methods. The changes in gait that Parkinson’s disease inflicts are discussed alongside the clinical criteria used in evaluating the changes and patient’s condition.
This thesis is a literature review, which aims to find the best possible machine learning algorithms for symptom analysis of Parkinson’s disease. It concludes that comprehensive conclusions are difficult to draw, since the algorithm performance can be analysed with several different metrics. Even though most of the algorithms gained adequate results, the research still includes several limitations to solve before the algorithm can be validated for clinical use as a symptom monitoring system.
Tässä työssä esitellään useita vuosina 2020–2023 tehtyjä tutkimuksia, joiden tarkoituksena on kehittää koneoppimisalgoritmeja, jotka luokittelevat potilaan oikeaan vakavuusastekategoriaan tai ennustavat lääketieteellisiä tuloksia ennen niiden ilmenemistä. Algoritmien suorituskykymittareita arvioidaan erityisesti tarkkuuden, herkkyyden ja spesifisyyden suhteen. Lisäksi työssä taustoitetaan kävelyanalyysin periaatteita, puettavia sensoreita sekä yleisimpiä koneoppimismenetelmiä, joita tutkimukset ovat käyttäneet. Parkinsonin taudin myötä kävelyyn kohdistuvia muutoksia käsitellään ja potilaan tilan arvioinnissa käytettyjä kliinisiä kriteerejä esitellään.
Tämä työ on kirjallisuuskatsaus, jonka tavoitteena on löytää parhaat mahdolliset koneoppimisalgoritmit Parkinsonin taudin oireiden analysointiin. Tuloksista voidaan päätellä, että kattavaa johtopäätöstä on vaikea tehdä, koska algoritmien suorituskykyä voidaan analysoida useilla eri mittareilla. Vaikka suurin osa algoritmeista saivatkin onnistuneita tuloksia, tutkimukset sisälsivät silti useita rajoituksia, jotka ovat ratkaistava ennen kuin algoritmi voidaan validoida kliiniseen käyttöön oireiden seurantajärjestelmänä.
Kokoelmat
- Kandidaatintutkielmat [8798]