Diagnóstico de la enfermedad de Parkinson y evaluación de la gravedad de las señales de la marcha a través del...

Área de la Ciencia:

• Ingeniería biomédica
• Aprendizaje automático
• Neurología

Sus antecedentes:

• El diagnóstico precoz de la enfermedad de Parkinson (EP) es crucial para las intervenciones oportunas y la mejora de la calidad de vida.
• El análisis de la marcha ofrece un método no invasivo para detectar deficiencias motoras sutiles indicativas de EP.
• Las señales de la fuerza de reacción vertical en tierra (VGRF, por sus siglas en inglés) contienen información valiosa para la evaluación de la PD.

Objetivo del estudio:

• Evaluar y comparar las redes neuronales convolucionales optimizadas por Bayesian (CNN) y los modelos de memoria larga a corto plazo (LSTM) para la detección y estadificación de la EP.
• Aplicar estos modelos de aprendizaje profundo directamente a las señales VGRF.
• Para evaluar el rendimiento de los modelos a través de diferentes longitudes de ventanas de señal VGRF.

Principales métodos:

• Las grabaciones de VGRF se segmentaron en ventanas de 5, 10, 15, 20 y 25 segundos.
• Los segmentos fueron normalizados y utilizados como entrada para las redes CNN y LSTM.
• Se empleó la optimización bayesiana con validación cruzada de cinco veces para el ajuste de hiperparámetros.

Principales resultados:

• El modelo LSTM logró una precisión del 99.42% (AUC=1.000) para la detección de PD frente al control a los 10 segundos y una precisión del 98.24% (AUC=0.999) para la estadificación de Hoehn-Yahr a los 5 segundos.
• El modelo CNN alcanzó un 98.46% de precisión (AUC = 0.998) para la clasificación binaria y un 96.62% de precisión (AUC = 0.998) para la estadificación de varias clases.
• Ambos modelos demostraron una alta eficacia, con LSTM mostrando una ligera ventaja en el reconocimiento de patrones temporales.

Conclusiones:

• Los modelos CNN y LSTM optimizados por Bayesian detectan y estadifican efectivamente la enfermedad de Parkinson utilizando datos VGRF.
• Los modelos LSTM sobresalen en la captura de la dinámica de la marcha temporal, mientras que las CNN ofrecen un rendimiento comparable con un costo computacional más bajo.
• El aprendizaje profundo de extremo a extremo en los datos de la marcha presenta una vía prometedora para la evaluación no invasiva de la EP.