通过基于机器学习的分析,对可穿戴传感器数据进行X链接 dystonia parkinsonism的运动评估
Federico Parisi1, Giulia Corniani1, Paolo Bonato2
1Department of Physical Medicine and Rehabilitation, Motion Analysis Laboratory, Spaulding Rehabilitation Hospital and Harvard Medical School, Charlestown, MA, 300 1st Avenue 02129, USA.
Scientific reports
|June 9, 2024
概括
可穿戴传感器通过量化帕金森症和 dystonic 运动特征来准确评估 X 链接的 dystonia 帕金森症 (XDP) 严重程度. 这项技术为这种复杂的神经遗传运动障碍提供了可靠的临床试验终点.
科学领域:
- 神经遗传学 神经遗传学
- 运动障碍 运动障碍
- 生物医学工程 生物医学工程
背景情况:
- 与X相关的 dystonia parkinsonism (XDP) 呈现复杂,重叠的帕金森症和 dystonic 症状,使临床评估复杂化.
- 当前的评级尺度可能无法完全捕捉到XDP的微妙现象学.
- 对临床试验终点需要客观量化.
研究的目的:
- 用可穿戴传感器数据量化描述XDP现象学.
- 评估使用传感器衍生特征作为临床试验终点的可行性.
- 为了将传感器数据与已建立的临床严重程度尺度相关联.
主要方法:
- 在标准化运动任务中收集了10名XDP患者和3名健康对照者的可穿戴传感器数据.
- 利用机器学习 (ML) 来估计统一帕金森病评分表第3部分 (MDS-UPDRS) 和伯克-法恩-马斯登 dystonia 尺度 (BFM) 的分数.
- 分析了行走的时空参数,以获得歧视力.
主要成果:
- ML算法准确估计了MDS-UPDRS得分,并确定了 dystonia 特定的特征.
- 步行参数有效地将XDP患者与对照患者区分开来,并确定了步行结.
- 传感器数据在反映疾病严重程度和特定运动障碍方面表现出高度准确性.
结论:
- 穿戴式传感器数据可以可靠地估计XDP中帕金森症和 dystonia 的临床评分.
- 运动传感器为复杂运动障碍的临床检查量化提供了宝贵的工具.
- 这种方法支持使用可穿戴传感器作为XDP的潜在临床试验终点.
