ترجمه فارسی مقاله یک چارچوب جدید مبتنی بر یادگیری ماشینی برای توسعه نشانگرهای زیستی دیجیتال مرکب پیشرفت بیماری

چکیده

Background Current methods of measuring disease progression of neurodegenerative disorders, including Parkinson’s disease (PD), largely rely on composite clinical rating scales, which are prone to subjective biases and lack the sensitivity to detect progression signals in a timely manner. Digital health technology (DHT)-derived measures offer potential solutions to provide objective, precise, and sensitive measures that address these limitations. However, the complexity of DHT datasets and the potential to derive numerous digital features that were not previously possible to measure pose challenges, including in selection of the most important digital features and construction of composite digital biomarkers.

چکیده به فارسی (ترجمه ماشینی)

پس زمینه روشهای فعلی اندازه گیری پیشرفت بیماری اختلالات عصبی ، از جمله بیماری پارکینسون (PD) ، تا حد زیادی به مقیاس رتبه بندی بالینی کامپوزیت متکی است ، که مستعد تعصبات ذهنی هستند و فاقد حساسیت برای تشخیص سیگنال های پیشرفت به موقع هستند.اقدامات مربوط به فناوری سلامت دیجیتال (DHT) راه حل های بالقوه ای را برای ارائه اقدامات عینی ، دقیق و حساس ارائه می دهد که به این محدودیت ها می پردازند.با این حال ، پیچیدگی مجموعه داده های DHT و پتانسیل برای به دست آوردن ویژگی های دیجیتالی بی شماری که قبلاً برای اندازه گیری چالش های مطبوعاتی امکان پذیر نبودند ، از جمله در انتخاب مهمترین ویژگی های دیجیتال و ساخت نشانگرهای زیستی دیجیتال کامپوزیت.