ارايه قانون تشخيصي جديد براي بيماري پاركينسون مبتني بر روش استخراج تركيبي

مقدمه: بيماري پاركينسون يك معضل بهداشت جهاني مهم است كه با گذشت زمان علايم آن شديدتر مي‌شود. تشخيص و درمان سريع اين بيماري منجر به بهبود مهارت‌ها، توانمندي‌ها و عملكرد مبتلايان در كارهاي روزمره زندگي مي‌شود. به‌منظور تشخيص زودهنگام اين بيماري، توليد سيستم‌هاي كمك تصميم‌يار باليني كه قادر به كشف قوانين تشخيصي اين بيماري باشند، ضروري است. مواد و روش‌ها: در اين مقاله يك روش خودكار استخراج قوانين تشخيصي جديد براي بيماري پاركينسون ارايه مي‌شود. روش پيشنهادي مبتني بر رگرسيون منطقي و الگوريتم شبيه‌سازي تبريد است. جهت ارزيابي روش از مجموعه داده پاركينسون آكسفورد استفاده شده كه اطلاعات 23 فرد مبتلا به پاركينسون و 8 فرد سالم را در قالب 195 ركورد ذخيره كرده است. براي هر ركورد 23 ويژگي ذخيره شده كه شامل 22 اندازه‌گيري صوتي است. نتايج: نتايج به‌دست آمده شامل دو قانون تشخيصي است؛ در سيستم‌هاي خودكاري كه صحت بالا اولويت دارد، يك قانون جديد شامل 21 عبارت منطقي ارايه شده است كه داراي صحت 92/31، حساسيت 85/42 و ويژگي 94/56 درصد است. همچنين براي سيستم‌هاي بلادرنگ و كمك تصميم‌يار باليني با قابليت تفسيرپذيري بالا، قانوني متشكل از سه عبارت منطقي پيشنهاد شده است كه داراي صحت 78/97، حساسيت 77/08 و ويژگي 79/59 درصد است. نتيجه‌گيري: نتايج به‌دست آمده نشان‌دهنده قدرت بالاي تفسيرپذيري و قابليت اعتماد قانون به‌دست آمده در تشخيص بيماري پاركينسون است كه مي‌تواند در پياده‌سازي سيستم‌هاي از راه‌دور تشخيصي استفاده شود.

Introduction: Parkinson's disease has become an increasing public health issue that its symptoms become more severe over time. Early diagnosis and treatment of this disease leads to improving the skills, abilities and performance of patients in daily life. In order to diagnose the disease early, it is necessary to produce clinical decision-making assistance systems that are able to detect the diagnostic rules of the disease. Methods: This study provides an automatic way to extract novel diagnostic rules for Parkinson's disease. The proposed method is based on logic regression and simulated annealing algorithm. To evaluate the method, the Oxford Parkinson's data set was used, which contains 22 biomedical voice measurements from 31 people, 23 with Parkinson's disease. The dataset has 195 voice recording from these individuals. Results: The results include two diagnostic rules; If high accuracy was the main concern, a new rule has been proposed that includes 21 logical statements that have an accuracy of 92.31%, a sensitivity of 85.42%, and a specificity of 94.56%. However, for real-time systems and clinical decision-making assistance with high interpretability, a rule consisting of 3 logical statements has been proposed, which has an accuracy of 78.97%, a sensitivity of 77.08% and a feature of 79.59%. Conclusion: The results show the high power of interpretability and reliability of the proposed rules in the diagnosis of Parkinson's disease, which can be used in the implementation of remote diagnostic systems.