Decision support system for assessment of patients with neurodegenerative disorders
Систем за подршку одлучивању, евалуацију и праћење стања пацијената оболелих од неуродегенеративних болести
Author
Bobić, VladislavaMentor
Kvaščev, Goran
Committee members
Popović, Dejan
Kostić, Vladimir
Đurović, Željko

Đurić-Jovičić, Milica
Metadata
Show full item recordAbstract
Системи за подршку клиничком одлучивању представљају рачунарске алате
који применом напредних технологија могу утицати на доношење одлука у вези са
пацијентима. У овој дисертацији представљени су истраживање и развој новог система за
подршку одлучивању, евалуацију и праћење стања пацијената оболелих од
неуродегенеративних болести. Анализа клинички релевантних и свакодневних покрета чини
основу овог система. Обрасци ових покрета снимљени су помоћу бежичних, носивих сензора
малих димензија и тежине, који не захтевају компликовану поставку и могу се једноставно
применити у било ком окружењу. Први део система намењен је (раном) препознавању
Паркинсонове болести (ПБ) на основу анализе хода и алгоритама дубоког учења. Резултати су
показали да је ПБ пацијенте могуће препознати са високом тачношћу. Други део система
посвећен је праћењу симптома ПБ брадикинезије применом резоновања који се базира на
знању. Представљена је метода за анализу покрета који се користе за евалуацију
бради...кинезије. Поред тога, применом различитих метода обраде сигнала развијена је нова
метрика за квантификацију важних карактеристика ових покрета. Предикција степена развоја
симптома се заснива на новом експертском систему који у потпуности објективизује клиничке
евалуационе критеријуме. Валидација је урађена на примеру покрета тапкања прстију, који је
снимљен на пацијенатима са типичним и атипичним паркинсонизимом. Показана је висока
усаглашеност у поређењу са клиничким подацима. Развијени систем је објективан,
аутоматизован, једноставно се користи, садржи интуитиван графички и параметарски приказ
резултата и значајно доприноси унапређењу клиничких процедура за евалуацију и праћење
стања пацијената са неуродегенеративним болестима.
Clinical decision support system represents a computer-aided tool that utilizes
advanced technologies for influencing clinical decisions about patients. This dissertation presents
research and development of a new decision support system for the assessment of patients with
neurodegenerative diseases. The analysis of movements that are part of standard clinical scales or
everyday activities represents the basis of the system. These movements are recorded using small and
lightweight wearable, wireless sensors, which do not require complicated setup and can be easily
applied in any environment. The first part of system is dedicated to the (early) recognition of
Parkinson’s disease (PD) based on gait analysis and deep learning algorithms. PD patients could be
identified with a high accuracy. The other part of the system is dedicated to the assessment of PD
symptoms, more specifically, bradykinesia, utilizing the knowledge-based reasoning. A method for
analysis of bradykinesia rel...ated movements is defined and presented. Moreover, by applying different
signal processing techniques, new metrics have been developed to quantify the essential
characteristics of these movements. The prediction of symptom severity was performed using new
expert system that completely objectified the clinical evaluation criteria. Validation was performed
on the example of the finger-tapping movement of patients with typical and atypical parkinsonism.
A high compliance rate was obtained compared to clinical data. The developed system is objective,
automated, easy to use, contains an intuitive graphical and parametric presentation of results, and
significantly contributes to the improvement of clinical assessment of patients with
neurodegenerative diseases.
Faculty:
Универзитет у Београду, Електротехнички факултетDate:
19-03-2021Projects:
- Effects of assistive systems in neurorehabilitation: recovery of sensory-motor functions (RS-175016)
- Motor and non-motor symptoms and signs in parkinsonism: clinical, morphological and molecular-genetic correlates (RS-175090)