Artificial Intelligence Integration for Neurodegenerative Disorders

Vashistha, Rajat; Yadav, Dinesh; Chhabra, Deepak; Shukla, Pratyoosh

doi:10.1016/b978-0-12-809556-0.00005-8

Cited by 10 publications

(13 citation statements)

References 43 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Meanwhile, the histories of diseases, treatments, medications, and other personal medical data available in EHRs also contain useful information for stroke risk prediction [ 99 ]. With the abundant data of real-time recorded physiological parameters and of the EHRs, ML techniques to analysis the association and rank the importance of the risk factors to the risk of stroke are needed [ 12 , 100 ]. The most popular ML model applied for stroke risk prediction is support vector machine (SVM).…”

Section: Perspectives Of Stroke Predictionmentioning

confidence: 99%

Trends and Challenges of Wearable Multimodal Technologies for Stroke Risk Prediction

Chen

2021

Sensors

View full text Add to dashboard Cite

We review in this paper the wearable-based technologies intended for real-time monitoring of stroke-related physiological parameters. These measurements are undertaken to prevent death and disability due to stroke. We compare the various characteristics, such as weight, accessibility, frequency of use, data continuity, and response time of these wearables. It was found that the most user-friendly wearables can have limitations in reporting high-precision prediction outcomes. Therefore, we report also the trend of integrating these wearables into the internet of things (IoT) and combining electronic health records (EHRs) and machine learning (ML) algorithms to establish a stroke risk prediction system. Due to different characteristics, such as accessibility, time, and spatial resolution of various wearable-based technologies, strategies of applying different types of wearables to maximize the efficacy of stroke risk prediction are also reported. In addition, based on the various applications of multimodal electroencephalography–functional near-infrared spectroscopy (EEG–fNIRS) on stroke patients, the perspective of using this technique to improve the prediction performance is elaborated. Expected prediction has to be dynamically delivered with high-precision outcomes. There is a need for stroke risk stratification and management to reduce the resulting social and economic burden.

show abstract

Section: Perspectives Of Stroke Predictionmentioning

confidence: 99%

Trends and Challenges of Wearable Multimodal Technologies for Stroke Risk Prediction

Chen

2021

Sensors

View full text Add to dashboard Cite

show abstract

“…In their work, parametric and non-parametric machine learning algorithms were selected and their performance was evaluated. There have been the works in the literature that present the various ways of coupling the advanced technologies with artificial intelligence for effective diagnosis of various diseases [11]. Such systems have contributed in a number of ways to the medicinal communities from enhancing the quality of treatments given to the patients to enhancing the rapid methods of clinical decision making.…”

Section: Related Workmentioning

confidence: 99%

Well-Calibrated Probabilistic Machine Learning Classifiers for Multivariate Healthcare Data

Pasha

Parthiban²

2021

ijarcs

View full text Add to dashboard Cite

“…Segundo Vashistha et al (2019), a epilepsia é um dos distúrbios neurológicos mais comuns e acontece quando o cérebro humano enfrenta vários estados de transição, sendo eles de interictal normal para prictal, depois ictal e pós-ictal. A previsão de convulsões é difícil e complexa, sendo imprescindível para o diagnóstico, e para facilitar esse processo, foram desenvolvidas e introduzidas técnicas do ML, uma vez que ela permite alcançar essa previsão.…”

Section: Convulsões E Epilepsiaunclassified

“…Assim, esses sinais de voltagem possuem informações acerca da condição neurológica cerebral e sobre a deficiência mental, de modo que a epilepsia é indicada quando se tem uma grande quantidade de descarga elétrica. (Vashistha et al 2019).…”

Section: Convulsões E Epilepsiaunclassified

Inteligência Artificial no diagnóstico de doenças neurodegenerativas: uma revisão sistemática de literatura

Brito

Figueiredo

Souto³

et al. 2021

RSD

View full text Add to dashboard Cite

Introdução: Inteligência Artificial (IA) é um ramo da ciência da computação que se propõe a desenvolver sistemas que simulem a capacidade humana de percepção de um problema, identificando seus componentes para, com isso, resolver problemas e propor/tomar decisões. Objetivo: ampliar conhecimentos e categorizar aplicações do uso da IA para o diagnóstico, tratamento e prognóstico de doenças neurodegenerativas, uma vez que, atualmente, seu uso se torna amplamente aplicável e essencial para contornar as etapas da moléstia. Metodologia: Trata-se de uma pesquisa descritiva do tipo revisão integrativa da literatura realizada através do acesso online nas bases de dados National Library of Medicine (PubMed MEDLINE), Scientific Electronic Library Online (Scielo), Google Scholar, Biblioteca Virtual em Saúde (BVS), Web of Science e EBSCO Information Services, nos meses de junho e julho de 2021. Resultados e discussão: Nos últimos anos, os dados obtidos por redes neurais, aprendizagem profunda e outros métodos matemáticos estão se desenvolvendo a uma velocidade sem precedentes. Eles têm sido amplamente utilizados no campo da análise de imagens, e demostraram grande potencial na análise de imagens médicas no diagnóstico de Doença de Alzheimer, Doença de Parkinson, esclerose múltipla, sendo a aplicação destes métodos podem melhorar ainda mais a capacidade de análise de dados de imagem multimodais complexos e melhorar a eficiência desses diagnósticos. Conclusão: com a inteligência artificial, os distúrbios neurodegenerativos podem ser investigados em um nível mais profundo, fornecendo uma visão geral abrangente da doença e abrindo caminhos para a aplicação da medicina de precisão para essas patologias.

show abstract

Artificial Intelligence Integration for Neurodegenerative Disorders

Cited by 10 publications

References 43 publications

Trends and Challenges of Wearable Multimodal Technologies for Stroke Risk Prediction

Trends and Challenges of Wearable Multimodal Technologies for Stroke Risk Prediction

Well-Calibrated Probabilistic Machine Learning Classifiers for Multivariate Healthcare Data

Inteligência Artificial no diagnóstico de doenças neurodegenerativas: uma revisão sistemática de literatura

Contact Info

Product

Resources

About