使用可穿戴传感器和机器学习来评估亨廷顿病中上肢功能
Adonay S Nunes1, İlkay Yıldız Potter1, Ram Kinker Mishra1
1BioSensics LLC, 57 Chapel St, Newton, MA, USA.
Research square
|June 17, 2024
概括
可穿戴式传感器和机器学习可以检测亨廷顿病 (HD) 和前发性HD (pHD) 的上肢变化. 这项技术有助于早期检测,远程监测和对神经系统疾病的治疗评估.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 亨廷顿病 (HD) 影响上肢和下肢功能,但临床评估主要集中在下肢症状上.
- 可穿戴式传感器提供了一种收集真实世界的数据的方法,补充临床评估,并提供对疾病进展的更深入的见解.
研究的目的:
- 在每天活动期间使用手腕佩戴可穿戴传感器监测患有HD,前发性HD (pHD) 和对照 (CTR) 个体的上肢功能.
- 利用深度学习和机器学习模型来分析目标导向运动 (GDM) 的动态特征,并预测疾病组和临床分数.
主要方法:
- 一个戴在手腕上的可穿戴传感器 (PAMSys ULM) 用于在七天内从16名HD患者,7名pHD患者和16名对照组收集数据.
- 一个深度学习模型检测到GDM,并提取了动态特征. 统计和机器学习模型被用于预测任务.
- 参与者高度遵守 (平均99%) 确保了分析数据的质量.
主要成果:
- 在HD,pHD和CTR组之间观察到GDM特征的显著差异.
- 与对照组相比,HD参与者表现出较少的长期GDM. 速度零交叉长度段的率显示出最大的效果大小和与临床分数的最强相关性.
- 分类模型在区分群体方面实现了67%的平衡精度,HD组的回忆率为0.72. 回归模型准确地预测了临床分数,解释了高达60%的UHDRS上肢功能子域的差异.
结论:
- 可穿戴式传感器和机器学习显示出在早期识别HD中的转换方面具有前途.
- 这种方法有助于远程监测HD患者,并在临床试验中评估治疗疗效.
- 该研究强调了上肢监测在全面评估和管理亨廷顿病方面的潜力.
