通过使用机器学习在虚拟现实中通过手和眼睛运动分析早期查轻度认知障碍的数字标志物:第一个验证研究

科学领域:

• 神经学 神经学
• 数字健康数字健康
• 生物标志物 生物标志物

背景情况:

• 阿尔茨海默病 (AD) 在全球范围内正在上升,因此早期检测轻度认知障碍 (MCI),这是AD的前体,至关重要.
• 目前的生物标志物,如CSF粉样蛋白和MRI是昂贵的和侵入性的.
• 分析日常行为数据的数字标记器为认知评估提供了一个全新的,可访问的替代方案.

研究的目的:

• 通过虚拟亭测试来识别关键的行为特征,可以显著区分MCI患者与健康对照.
• 使用这些已识别的行为特征开发用于早期MCI查的机器学习模型.

主要方法:

• 招募了51名参与者 (31名MCI,20名健康对照).
• 开发和管理一个虚拟的收纳台测试记录手和眼睛的运动.
• 计算了四个行为特征:手动速度,固定时间比例,完成时间和错误数量.
• 使用t测试进行群组比较和支持向量机用于机器学习模型开发.

主要成果:

• 所有四个行为特征都显示了MCI患者和健康对照人群之间的统计学上显著差异.
• 患有MCI的患者表现出更慢的手动速度,更短的固定时间,更长的完成时间和更多的错误.
• 机器学习模型实现了93.3%的准确性,100%的灵敏性,83.3%的特异性,90%的精度和94.7%的F1分数.

结论:

• 分析手和眼睛运动的虚拟亭子测试显示了作为早期MCI查的数字标记物的潜力.
• 这种基于VR的数字标记器具有成本效益,可以快速收集生态有效的数据 (5-15分钟),并且适用于早期MCI检测.
• 需要进一步的研究来证实这种数字选方法的可靠性和有效性.