Modelos de aprendizaje automático basados en video para predecir los resultados de la estimulación cerebral profunda...

Área de la Ciencia:

• Neurología
• Ingeniería Biomédica
• Aprendizaje Automático en Medicina

Sus antecedentes:

• La detección actual de candidatos para la estimulación cerebral profunda (ECP) en la enfermedad de Parkinson (EP) se basa en pruebas subjetivas de desafío con levodopa (LCT).
• Las escalas clínicas subjetivas limitan la precisión predictiva de la LCT para los resultados motores postoperatorios en pacientes con EP sometidos a ECP.
• Se necesitan métricas objetivas y cuantitativas para mejorar la predicción de la eficacia de la ECP.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático basados en video para la evaluación motora objetiva durante la LCT en pacientes con EP.
• Predecir resultados motores postoperatorios binarios (ECP+ / ECP-) y ternarios (ECP++ / ECP+ / ECP-) utilizando datos cinemáticos.
• Mejorar la detección preoperatoria y la selección de pacientes para la cirugía de ECP en la enfermedad de Parkinson.

Principales métodos:

• Se incluyeron setenta pacientes con enfermedad de Parkinson sometidos a cirugía de ECP.
• Se analizaron grabaciones de video de pruebas de desafío con levodopa (LCT) preoperatorias utilizando software validado de evaluación motora.
• Se extrajeron métricas cinemáticas objetivas (velocidad, amplitud, estabilidad) y se utilizaron para entrenar modelos de aprendizaje automático (LDA) para la clasificación de resultados binarios y ternarios.

Principales resultados:

• El Análisis Discriminante Lineal (LDA) logró una puntuación F1 de 0.87 para clasificación binaria (ECP+ / ECP-) y una puntuación F1 ponderada de 0.67 para clasificación ternaria (estratificación de eficacia).
• Los modelos que incorporan características cinemáticas derivadas de video superaron a los modelos de referencia que utilizan solo predictores clínicos convencionales.
• Los dominios cinemáticos impulsados por la velocidad fueron predictores clave, y los parámetros axiales y las respuestas asimétricas a la levodopa ayudaron en la estratificación de los resultados.

Conclusiones:

• El análisis de aprendizaje automático basado en video de la LCT proporciona perfiles de respuesta motora objetivos y cuantitativos para pacientes con enfermedad de Parkinson.
• Este enfoque mejora significativamente la predicción de la eficacia de la estimulación cerebral profunda (ECP) en comparación con los métodos tradicionales.
• El análisis objetivo de la LCT puede servir como una valiosa herramienta complementaria para la selección de pacientes basada en datos y las consultas quirúrgicas personalizadas.