Hemiparetik bireylerde denge düzeyinin belirlenmesi: yapay sinir ağları uygulaması

Abstract

Bu çalışmanın amacı, Denge Değerlendirme Sistemleri Testi (BESTest) manuel test sonuçları ile yapay sinir ağları modeliyle elde edilen prediktif sonuçları karşılaştırmak ve BESTest alt gruplarından yapay sinir ağları ile elde edilen prediktif sonuçları belirlemede ve dengeyi değerlendirmede en iyi katkısı olan alt grup testleri belirlemektir.Araştırmaya 35-65 yaş arasında 66 hemiparetik birey katılmıştır (E:43, K:23). Katılımcıların yaş ortalaması 53,70±8,19 yıl, ortalama hastalık süresi 47,70±62,72 aydır. Katılımcıların mental düzeyleri Hodkinson Mental Test ile, denge düzeyleri BESTest ile değerlendirilmiştir. Yapay sinir ağları (YSA) modellemesi için verilerin %70'i eğitim (n=46), %15'i (n=10) geçerlilik, %15'i (n=10) test için kullanılmıştır. Çoklu doğrusal regresyon modeli (MLR) YSA ile karşılaştırmak için kullanılmıştır.Çalışmanın sonuçları hemiparetik bireylerde denge düzeyinin tahmin edilmesinde YSA'nın (ortalama karesel hataların karekökü-RMSE:4,993) MLR'den (RMSE: 7,031) daha iyi olduğunu göstermektedir. BESTest toplam puanına en az katkısı olan bölüm Stabilite Sınırları/Dikeylik, en çok katkısı olan bölüm ise Yürüme Stabilitesi'dir. Bölümler içerisinde en düşük ve en yüksek düzeyde katkısı olan maddeler incelendiğinde RMSE değerlerinin düşük ve birbirine yakın olduğu görülmüştür.Bu araştırmadan elde ettiğimiz sonuçlar; YSA modellemesi ile elde ettiğimiz RMSE değerlerinin literatüre göre daha iyi çıktığını göstermektedir; ancak bu değerler birbirine çok yakın olduğu için çıkarımlarda dikkatli olunmalıdır. Mutlak çıkarımların yapılabilmesi için BESTest'in denge probleminin şiddetini gösteren kesme değerlerine ihtiyaç vardır. Kesme değerlerinin belirlenmesi ile sonuçlarımızın yorumlanması daha anlamlı olacaktır. Çalışmamızın denge problemlerinin ayırt edilmesinde kullanılan BESTest'in kendi teorisine uygun şekilde daha kısa, hassas, pratik ve fizyoterapistler için yol gösterici bir alt mini set oluşturulmasına kılavuzluk edebileceğini düşünmekteyiz.

The aim of this study was to compare manual Balance Evaluation Systems Test (BESTest) results and artificial neural network predictive results and to determine the highest contributions of BESTest subsets in order to find artificial neural network predictive results of BESTest subsets.66 hemiparetic individuals aged between 35-65 years were included in the study (M:43, F:23). The mean age of the participants was 53.70±8.19 years and the mean duration of disease was 47.70±62.72 months. Mental status of the participants was evaluated by Hodkinson Mental Test. Balance status was evaluated by BESTest. 70% (n=46) of the data set was used for learning, 15% (n=10) for evaluation, and 15% (n=10) for testing purposes in order to model artificial neural networks (ANN). Multiple lineer regression model (MLR) was used to compare with ANN.The results of the study showed that ANN (root mean square error-RMSE: 4.993) was better than MLR (RMSE: 1.031) to estimate balance status of hemiparetics. The lowest contribution of subtest to BESTest total score was Stability Limits/Verticality and the highest contribution of subtest was Stability in Gait. It can be seen that as the most and the lowest contribution of subtest items were investigated, RMSE values were low and too close. The results obtained from this study showed that RMSE values of ANN were better than the literature. Yet, since these values are very close to each other, you should need to be careful in making an inference. BESTest cut off values showing severe of the balance problem are needed to make accurate inferences. To interpret our results could be more significant after determining cut off values of BESTest. We think that our study can lead to constitute a shorter, more sensitive, more practical and a helpful mini subset of BESTest for physiotherapists used for differentiate balance problems while it was proper for BESTest theory.