Spiral drawing during self-rated dyskinesia is more impaired than during self-rated off

Background: A mobile device test battery, consisting of a patient diary collection section with disease-related questions and a fine motor test section (including spiral drawing tasks), was used by 65 patients with advanced Parkinson's disease (PD)(treated with intraduodenal levodopa/carbidopa gel infusion, Duodopa®, or candidates for this treatment) on 10439 test occasions in their home environments. On each occasion, patients traced three pre-drawn Archimedes spirals using an ergonomic stylus and self-assessed their motor function on a global Treatment Response Scale (TRS) ranging from -3 = very 'off' to 0 = 'on' to +3 = very dyskinetic. The spirals were processed by a computer-based method that generates a "spiral score" representing the PD-related drawing impairment. The scale for the score was based on a modified Bain & Findley rating scale in the range from 0 = no impairment to 5 = moderate impairment to 10 = extremely severe impairment. Objective: To analyze the test battery data for the purpose to find differences in spiral drawing performance of PD patients in relation to their self-assessments of motor function. Methods: Three motor states were used in the analysis; OFF state (including moderate and very 'off'), ON state ('on') and a dyskinetic (DYS) state (moderate and very dyskinetic). In order to avoid the problem of multiple test occasions per patient, 200 random samples of single test occasions per patient were drawn. One-way analysis of variance, ANOVA, test followed by Tukey multiple comparisons test was used to test if mean values of spiral test parameters, i.e. the spiral score and drawing completion times (in seconds), were different among the three motor states. Statistical significance was set at p<0.05. To investigate changes in the spiral score over the time-of-day test sessions for the three motor states, plots of statistical summaries were inspected. Results: The mean spiral score differed significantly across the three self-assessed motor states (p<0.001, ANOVA test). Tukey post-hoc comparisons indicate that the mean spiral score (mean ± SD; [95% CI for mean]) in DYS state (5.2 ± 1.8; [5.12, 5.28]) was higher than the mean spiral score in OFF (4.3 ± 1.7; [4.22, 4.37]) and ON (4.2 ± 1.7; [4.17, 4.29]) states. The mean spiral score was also significantly different among individual TRS values of slightly 'off' (4.02 ± 1.63), 'on' (4.07 ± 1.65) and slightly dyskinetic (4.6 ± 1.71), (p<0.001). There were no differences in drawing completion times among the three motor states (p=0.509). In the OFF and ON states, patients drew slightly more impaired spirals in the afternoon whereas in the DYS state the spiral drawing performance was more impaired in the morning. Conclusion: It was found that when patients considered themselves as being dyskinetic spiral drawing was more impaired (nearly one unit change in a 0-10 scale) compared to when they considered themselves as being 'off' and 'on'. The spiral drawing at patients that self-assessed their motor state as dyskinetic was slightly more impaired in the morning hours, between 8 and 12 o'clock, a situation possibly caused by the morning dose effect.

En jämförelse av molnbaserade realtidsanalystjänster : Skillnader i användbarhet mellan multi-tenant och single-tenant arkitekturer

Internet of Things är ett samlingsbegrepp för den utveckling som innebär att olika typer av enheter kan förses med sensorer och datachip som är uppkopplade mot internet. En ökad mängd data innebär en ökad förfrågan på lösningar som kan lagra, spåra, analysera och bearbeta data. Ett sätt att möta denna förfrågan är att använda sig av molnbaserade realtidsanalystjänster. Multi-tenant och single-tenant är två typer av arkitekturer för molnbaserade realtidsanalystjänster som kan användas för att lösa problemen med hanteringen av de ökade datamängderna. Dessa arkitekturer skiljer sig åt när det gäller komplexitet i utvecklingen. I detta arbete representerar Azure Stream Analytics en multi-tenant arkitektur och HDInsight/Storm representerar en single-tenant arkitektur. För att kunna göra en jämförelse av molnbaserade realtidsanalystjänster med olika arkitekturer, har vi valt att använda oss av användbarhetskriterierna: effektivitet, ändamålsenlighet och användarnöjdhet. Vi kom fram till att vi ville ha svar på följande frågor relaterade till ovannämnda tre användbarhetskriterier: • Vilka likheter och skillnader kan vi se i utvecklingstider? • Kan vi identifiera skillnader i funktionalitet? • Hur upplever utvecklare de olika analystjänsterna? Vi har använt en design and creation strategi för att utveckla två Proof of Concept prototyper och samlat in data genom att använda flera datainsamlingsmetoder. Proof of Concept prototyperna inkluderade två artefakter, en för Azure Stream Analytics och en för HDInsight/Storm. Vi utvärderade dessa genom att utföra fem olika scenarier som var för sig hade 2-5 delmål. Vi simulerade strömmande data genom att låta en applikation kontinuerligt slumpa fram data som vi analyserade med hjälp av de två realtidsanalystjänsterna. Vi har använt oss av observationer för att dokumentera hur vi arbetade med utvecklingen av analystjänsterna samt för att mäta utvecklingstider och identifiera skillnader i funktionalitet. Vi har även använt oss av frågeformulär för att ta reda på vad användare tyckte om analystjänsterna. Vi kom fram till att Azure Stream Analytics initialt var mer användbart än HDInsight/Storm men att skillnaderna minskade efter hand. Azure Stream Analytics var lättare att arbeta med vid simplare analyser medan HDInsight/Storm hade ett bredare val av funktionalitet.