评估基于预测视觉的机器学习模型的能力,以测量对帕金森病患者药物和DBS反应的步态变化
Andrea Sabo1, Andrea Iaboni1,2,3, Babak Taati1,4,5,6
1KITE, Toronto Rehabilitation Institute, University Health Network, 550 University Avenue, Toronto, ON, M5G 2A2, Canada.
Biomedical engineering online
|December 11, 2023
概括
一个计算机视觉模型显示,在帕金森病 (PD) 患者中,对药物和深脑刺激 (DBS) 的反应有统计学意义的,虽然很弱的步态改善检测. 进一步的开发需要更大,多样化的数据集,以便在PD中进行准确的步态分析.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 计算机科学 计算机科学
背景情况:
- 步行障碍是帕金森病 (PD) 的标志,影响生活质量.
- 目前的治疗方法,如多巴胺类药物治疗和深脑刺激 (DBS),具有可变的疗效.
- 客观测量作为治疗反应的步态变化对于个性化护理至关重要.
研究的目的:
- 评估基于计算机视觉的模型在接受药物和DBS的PD患者中检测步态改善的能力.
- 评估模型对治疗诱导的帕金森步态变化的响应能力.
主要方法:
- 在视频上训练了一个时空图的卷积模型,以预测MDS-UPDRS-gait分数.
- 该模型应用于对联的PD患者的视频ON和OFF药物/DBS.
- 统计分析评估了模型对治疗状态的响应.
主要成果:
- 视觉模型预测了较低的步态得分 (表明改善),当患者服用ON药物和DBS时 (p=0.017).
- 模型预测与临床医生关于ON/OFF状态差异的注释有显著的相关性 (p=0.004).
- 预测得分与临床医生得分相关,但范围较窄.
结论:
- 视觉模型检测出显著的,虽然微弱的步态变化,以应对PD治疗.
- 该模型没有准确地预测新队列的绝对步态严重性得分.
- 开发基于视觉的强有力的PD步态分析需要大量,多样化和临床验证的视频数据集.
