一个机器学习模型用于预测帕金森病患者的缩症

科学领域:

• 神经学 神经学
• 老年学是一门学科.
• 生物医学工程 生物医学工程

背景情况:

• 帕金森氏病 (PD) 与缩症的风险增加有关.
• 肉,肌肉质量和力量的损失,可以加剧PD症状,特别是步态障碍.
• 患有肉症的PD患者的步行障碍增加了跌倒的可能性,并对临床结果产生了负面影响.

研究的目的:

• 为了研究和比较PD患者的行走模式,有和没有sarcopenia.
• 通过机器学习探索使用步态参数在PD中预测肉症的潜力.
• 为了确定特定的步态指标,表明帕金森病中的肉症.

主要方法:

• 在PD患者 (Hoehn和Yahr阶段≤2) 中,使用智能手机应用程序分析了步行模式.
• 根据"亚洲肉类症工作组"的标准,诊断出了肉类症.
• 采用随机森林机器学习模型,根据收集的步态和临床数据来预测肉症.

主要成果:

• 这项研究包括38名PD患者,其中23.7%被诊断为肉类.
• 平均关节的运动范围与肉症最强烈相关.
• 随机森林模型中发现的萨尔科佩尼亚的关键预测因素包括Kneeankle_diff,Ankle_dif和Hip_min,预测准确度为0.949.

结论:

• 基于智能手机的步态分析与机器学习相结合,可以有效地识别PD患者与肉症相关的步态参数.
• 这种方法表明了利用先进技术进行临床研究和在帕金森病中检测肉症的潜力.
• 特定的步态参数可以作为帕金森病患者的萨尔科佩尼亚的可靠预测指标.