机器学习和可穿戴传感器用于帕金森病自动诊断辅助:系统性审查

科学领域:

• 生物医学工程 生物医学工程
• 神经学 神经学
• 数据科学数据科学数据科学

背景情况:

• 帕金森病的诊断依赖于临床评估,由于缺乏客观生物标志物,临床评估具有显著的错误率.
• 可穿戴传感器和机器学习提供定量,客观的运动性能评估,以提高诊断准确度.
• 本系统性审查探讨了机器学习算法在智能设备中用于帕金森病诊断的使用.

研究的目的:

• 系统地审查有关嵌入智能设备中的机器学习算法的文献,以诊断帕金森病.
• 评估这些技术在提高诊断准确度和实现客观运动性能评估方面的潜力.

主要方法:

• 在PubMed上按照PRISMA指南 (2007年12月 - 2023年7月) 进行了系统的文献搜索.
• 搜索词包括"帕金森病"",诊断"",健康"",控制"",算法"",技术"和"性能".
• 47项研究符合纳入标准,根据作者专业知识增加了另外4项研究.

主要成果:

• 步行分析是机器学习模型评估的最常见的参数.
• 支持矢量机 (SVM) 是使用的最常见的算法.
• 像Random Forest,SVM和K-Nearest Neighbours这样的复杂算法证明了有希望的诊断准确性.

结论:

• 与可穿戴传感器集成的机器学习算法显示了提高帕金森病诊断的潜力.
• 这些工具可以提供客观数据,可能有助于临床医生更早地检测疾病.
• 尽管有希望的结果,但实际应用的挑战和局限性需要解决.