Classification of Parkinson’s Disease Using Machine Learning Techniques

Dieses Kapitel befasst sich mit der Anwendung maschineller Lerntechniken zur Früherkennung und Klassifizierung der Parkinson-Krankheit, wobei der Schwerpunkt sowohl auf motorischen als auch auf nichtmotorischen Symptomen liegt. Die Studie bewertet die Wirksamkeit dreier maschineller Lernalgorithmen - Entscheidungsbäume, Unterstützungsvektormaschinen (SVM) und K-next neighbors (KNN) - bei der Vorhersage des Fortschreitens der Parkinson-Krankheit. Die Forschung nutzt einen Datensatz aus dem UCI-Repositorium, wobei Variablen auf Grundlage von Symptomen und Diagnose ausgewählt werden. Die Leistung der Algorithmen wird anhand verschiedener Messgrößen beurteilt, darunter Genauigkeit, Fläche unter der Kurve (AUC) und Kennlinie des Empfängerbetriebs (ROC). Die Ergebnisse deuten darauf hin, dass der KNN-Algorithmus die höchste Genauigkeit von 91,9% erreicht und damit Entscheidungsbäume und SVM übertrifft. In diesem Kapitel wird auch das Potenzial dieser maschinellen Lerntechniken zur Verbesserung der Früherkennung und des Managements der Parkinson-Krankheit diskutiert, wobei die Bedeutung einer proaktiven Behandlung zur Verbesserung der Krankheitsergebnisse hervorgehoben wird. Darüber hinaus untersucht die Studie die Auswirkungen der Parkinson-Krankheit auf verschiedene Körperteile und die Rolle des maschinellen Lernens bei der Analyse verschiedener Berichte und der Identifizierung von Krankheiten. Die vergleichende Analyse der Algorithmen bietet Einblicke in ihre Eignung zur Vorhersage der Parkinson-Krankheit, was dieses Kapitel zu einer wertvollen Ressource für Fachleute macht, die das maschinelle Lernen in der neurologischen Forschung einsetzen wollen.