可穿戴设备和机器学习彻底改变了帕金森病监测

在最近发表在npj帕金森病上的一项纵向研究中，研究人员使用可穿戴传感器数据和机器学习（ML）算法跟踪了帕金森病（PD）运动症状随时间推移的定量进展。

Credit: metamorworks/Shutterstock.com

▊背景

目前监测PD进展（尤其是运动和非运动症状）的金标准量表是运动障碍协会-统一帕金森病评定量表（MDS-UPDRS）。

然而，其评估的可变性往往会阻碍临床研究中的统计分析。因此，在临床试验中，对于衡量PD临床干预的有效性，连续间隔量表是非常理想的。

可穿戴设备是监测PD运动症状进展的宝贵工具。它们便携，价格实惠，并且可以评估行走和时空平衡的特征。

此外，这些设备可以远程生成深入和个性化的运动学测量，例如，在家里和诊所。然而，并非所有可穿戴设备提取的数值测量值都与临床实践相关。因此，ML 模型出现了。

最近的一项研究表明，对IMU数据的分析可以区分不同严重程度的PD患者和其他PD样疾病，例如进行性核上性麻痹（PSP）。训练有素的ML模型还可以识别PD患者的运动迟缓迹象。

▊关于研究

在本研究中，研究人员利用简单的线性回归（LR）和随机森林（RF）算法以及不同的自动特征选择程序来开发七个ML模型并处理可穿戴设备测量的运动学特征。

此外，他们使用六个可穿戴惯性测量单元（IMU）收集的步行（两分钟）和姿势摇摆（30秒）数据来确定74名PD患者在18个月内运动症状进展的初步信号。在研究期间，所有参与者总共完成了七次访问。

资格标准要求这些参与者患有PD或接受抗PD药物，但在注册和同意时没有严重的肌肉骨骼问题或痴呆。

该团队要求他们在手腕、脚、胸骨和腰部区域佩戴可穿戴传感器。这些设备以 128 Hz 采样频率收集三轴加速度计、陀螺仪和磁力计数据。

研究人员验证了可穿戴传感器衍生的IMU数据与MDS-UPDRS-III评级的关联，以了解哪个更好地跟踪PD运动症状的进展。

他们假设这些模型可以比MDS-UPDRS-III量表更早地检测到PD患者运动症状的统计学显着进展。

▊结果

研究人员从91名特发性PD患者中收集了超过18个月的IMU数据。在测量的122个运动学特征中，有29个随着时间的推移在群体水平上显着线性飙升或下降。

其中，19项反映了步到步的步行变异性，先前显示PD的疾病严重程度成比例。 研究还表明，它是PD患者跌倒的关键预测指标。

中外侧摇摆速度是唯一显著进展的姿势摇摆特征;它也是PD患者跌倒的公认生物标志物。在个体特征中，脚部撞击和脚趾脱落的角度以及步幅对MDS-UPDRS-III评分的估计贡献最大。

多元 LR 模型（模型 1）使用了这两个运动学特征，显示了统计上最显著的时间进展。从 29 个进展特征中，前向特征选择确定了 6 个用于早期停止模型（模型 2）的特征。该团队还研究了具有29个进步特征作为输入的RF回归器（模型3）。

对122个特征和29个进展特征应用主成分分析（PCA）降低了原始高维数据集的维数，分别返回了31个和10个特征。

这两个主成分在LR和RF回归中都作为自变量。它获取了模型4,5,6和7，分别在十个因子上使用LR，在十个因子上使用RF，在31个因子上使用LR，在31个因子上使用RF。

射频回归器（模型 3）估计了在五个交叉验证迭代中均方根误差 （RMSE） 最低 （=10.02） 的 MDS-UPDRS-III 分数;因此，它被用来处理来自连续访问的纵向传感器数据。

模型3还早在基线后15个月就确定了PD的运动症状进展，而MDS-UPDRS量表即使在研究期结束时也没有捕捉到这些迹象。

此外，模型输出从一次访问到下一次访问单调增加。相反，MDS-UPDRS-III评分在就诊时波动，获取PD运动症状进展的模糊证据。

▊结论

总体而言，本研究中提出的基于可穿戴设备和ML算法的方法可以作为临床实践中的补充工具，以确定PD运动症状进展的早期迹象。

该方法在PD中比常规使用的临床评定量表效果更好;因此，它可以显着提高PD患者的诊断和预后准确性。

Journal reference:

Sotirakis, C., Su, Z., Brzezicki, M.A., et al. (2023), Identification of motor progression in Parkinson's disease using wearable sensors and machine learning. npj Parkinsons Dis. 9, 142 (2023). doi: https://doi.org/10.1038/s41531-023-00581-2. https://www.nature.com/articles/s41531-023-00581-2