Predicción mejorada de la enfermedad de Parkinson utilizando la selección de características LDEFS y la red neuronal...

Área de la Ciencia:

• Neurociencia Computacional
• Informática Médica
• Aprendizaje Automático

Sus antecedentes:

• La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo que afecta las funciones motoras, del habla y cognitivas debido a la pérdida de neuronas dopaminérgicas.
• Los modelos computacionales actuales para el diagnóstico de la EP a menudo requieren entrada manual, descuidan los patrones de ejercicio y corren el riesgo de una clasificación errónea.
• Existe una necesidad crítica de modelos predictivos automatizados y confiables capaces de procesar amplios conjuntos de datos clínicos.

Objetivo del estudio:

• Desarrollar un modelo predictivo automatizado y altamente preciso para la detección temprana de la enfermedad de Parkinson.
• Mejorar la confiabilidad del diagnóstico integrando selección avanzada de características y modelado de redes neuronales difusas.
• Abordar las limitaciones de los modelos existentes incorporando patrones relacionados con el ejercicio y optimizando la ponderación de características.

Principales métodos:

• Se utilizó un conjunto de datos de la enfermedad de Parkinson de un repositorio público.
• Se aplicó la normalización Z-Score (ZSN) para el preprocesamiento de datos y la reducción de ruido.
• Se empleó la Tasa de Escalado de Afectación de la Enfermedad (DASR) para la cuantificación y clasificación de características.
• Se implementó la Selección Exhaustiva de Características de Decisión Logística (LDEFS) para la extracción óptima de características.
• Se desarrolló un modelo de Red Neuronal Difusa Mamdani (MFNN) para la predicción de la EP.

Principales resultados:

• El marco LDEFS-MFNN propuesto logró una precisión de predicción del 95,8% para la detección temprana de la EP.
• El modelo demostró una alta medida F del 95,3%, superando a los clasificadores de aprendizaje automático existentes.
• Los resultados experimentales confirmaron capacidades de detección superiores en comparación con enfoques anteriores.

Conclusiones:

• La integración de la clasificación exhaustiva de características y el modelado de redes neuronales difusas mejora significativamente el rendimiento de la predicción de la enfermedad de Parkinson.
• El sistema desarrollado minimiza la necesidad de intervención humana y mejora la robustez de la clasificación.
• El modelo propuesto proporciona una solución confiable y escalable para el diagnóstico temprano de la EP con potencial para la aplicación clínica.