Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Los investigadores desarrollan una herramienta cervical de la investigación de la mielopatía usando el aprendizaje sin contacto del sensor y de máquina

La mielopatía cervical (CM) resulta de la compresión de la médula espinal en el cuello y causa la dificultad que mueve los dedos y el paso inestable. Pues los pacientes con el temprano-escenario cm tienen síntomas subjetivos mínimos y son difíciles para que los no especialistas diagnostiquen correctamente, los síntomas pueden ser agravados antes de que a un especialista diagnostiquen a los pacientes con el cm. Por lo tanto, el revelado de las herramientas de la investigación se requiere realizar el diagnóstico precoz y el tratamiento del cm.

Un equipo de investigación llevado por la DRS. Koji Fujita, conferenciante en la universidad médica y dental de Tokio, y Yuta Sugiura, profesor adjunto en la universidad de Keio, combinaron una técnica del análisis de movimiento del dedo usando un aprendizaje sin contacto del sensor y de máquina desarrollar una herramienta simple de la investigación para el cm.

En este estudio, las personas se centraron en cambios en el movimiento del dedo causado por el cm. En la prueba de 10 segundos de la mordaza y de la baja, que es una prueba diagnóstica convencional para el cm, una mordaza de las repeticiones del tema y acciones de la baja tantas veces tan posibles en 10 segundos. La prueba mide simple el número de acciones de la mordaza y de la baja y no se centra en cambios en los movimientos del dedo característicos para los pacientes con el cm, tal como movimientos de la muñeca para compensar la dificultad que mueve el dedo. Salte el movimiento (Ultraleap Ltd.), un sensor capaz de la medición en tiempo real de los movimientos del dedo, puede ser utilizado para extraer tales movimientos más exacto.

Los investigadores contaban con que el cm se pudiera predecir usando el aprendizaje de máquina combinado con el sensor de movimiento del salto. Una sentada sujeta delante del movimiento del salto conectado con un ordenador portátil con las armas ampliadas fue dada instrucciones para apretar y para liberar los dedos 20 veces lo más rápido posible. Los movimientos del dedo durante esta prueba fueron capturados por el sensor de movimiento del salto, visualizados en su pantalla en tiempo real, y registrados como datos. Reclutaron 50 pacientes con el cm y a 28 temas que no tenían cm. Los datos de la serie cronológica sobre sus movimientos del dedo detectados por el movimiento del salto fueron convertidos en los dominios de frecuencia, que fueron sujetados al aprendizaje de máquina usando una máquina del vector del apoyo. Finalmente, la exactitud de los resultados era alta según lo indicado por una sensibilidad de 84,0%, una especificidad de 60,7%, y un área bajo la curva de 0,85. Este nivel de exactitud es equivalente o superior al de la diagnosis del cm de los especialistas basados en conclusión físicas.

La herramienta desarrollada por las personas permite para que los no especialistas revisen a la gente para la posibilidad del tener cm. Los resultados de la prueba de cribado se pueden utilizar para animar a ésos con el cm sospechoso que busquen la atención del especialista para el diagnóstico precoz y el lanzamiento temprano del tratamiento. Una meta de esta investigación es prevenir la agravación de la enfermedad que puede causar la disminución en el funcionamiento de la comprobación y la baja social.

Esta investigación ha conducto bajo los programas de investigación básica estratégicos de JST, la investigación acelerada AIP del PRISMA e investigación precursor para la ciencia y la tecnología embrionarias (PRSTO).

Source:
Journal reference:

Koyama, T., et al. (2021) Cervical Myelopathy Screening with Machine Learning Algorithm Focusing on Finger Motion Using Non-Contact Sensor. Spine. doi.org/10.1097/BRS.0000000000004243.