مدل LightGBM شدت پارکینسون را با دقت حدود ۹۷ درصد طبقه‌بندی کرد

پژوهشگران در پیش‌چاپی در arXiv سامانه‌ای برای طبقه‌بندی شدت بیماری پارکینسون بر پایهٔ داده‌های حرکتی و لرزش ثبت‌شده با حسگر اینرسی (IMU) پیشنهاد کرده‌اند. این حسگر شتاب و چرخش حرکت را در سه محور X، Y و Z اندازه‌گیری می‌کند؛ داده‌هایی که می‌توانند نشانه‌هایی از اختلال‌های حرکتی ظریف مرتبط با بیماری را آشکار کنند.

در این مطالعه، عملکرد شش روش یادگیری ماشین مقایسه شد: رگرسیون لجستیک، K-Nearest Neighbors، ماشین بردار پشتیبان، درخت تصمیم، XGBoost و LightGBM. طبق چکیدهٔ مقاله، دقت مدل LightGBM در معیارهای Accuracy، Precision، Recall و F1 حدود ۹۷ درصد بود و این مدل در میان روش‌های ارزیابی‌شده بهترین عملکرد را داشت. دقت K-Nearest Neighbors حدود ۹۰ درصد و عملکرد SVM نزدیک به ۹۴ درصد گزارش شده است؛ رگرسیون لجستیک نیز در معیارهای ارزیابی حدود ۷۵ درصد به دست آورد.

نویسندگان نتیجه می‌گیرند که این رویکرد یادگیری ماشین توان پیش‌بینی و طبقه‌بندی شدت پارکینسون را دارد. بااین‌حال، اطلاعات ارائه‌شده در چکیده جزئیاتی دربارهٔ حجم داده‌ها یا ارزیابی سامانه در محیط بالینی بیان نمی‌کند.