一个数据驱动的探索和预测深度大脑刺激对帕金森病的步态的影响

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:

• 亚thalamic核 (STN-DBS) 的深度大脑刺激是帕金森病 (PD) 运动症状的关键治疗方法.
• 虽然有效,但STN-DBS可能会导致不良影响,包括对步态模式的各种影响.
• 之前的研究报告了关于步态变化的混合结果,而步态速度的改善是常见的积极结果.

研究的目的:

• 用数据驱动方法研究STN-DBS后PD患者的步态参数变化.
• 根据STN-DBS后的步态变化来识别不同的患者群.
• 使用手术前数据预测这些步态变化集群.

主要方法:

• 50名PD患者在STN-DBS之前和6个月后的步态参数的回顾性分析.
• 无监督学习 (集群) 根据步态参数变化对象进行分组.
• 监督机器学习 (SVM,集体提升) 训练了手术前的步态,临床和人口统计数据.
• 模型性能评估的交叉验证.

主要成果:

• 根据STN-DBS后的步态变化,确定了两个主要患者群,其中一个群显示步态恶化.
• 被监督的模型在预测这些星团时,达到 80.05 ± 3.52% 的平衡精度.
• 在手术前,步幅和步长不对称的步态变化被确定为重要的预测生物标志物.

结论:

• 关于行走的STN-DBS结果是异质的,有一部分患者经历了有害影响.
• 手术前的步态特征,特别是步幅和步长不对称性,可以预测个体对STN-DBS的反应.
• 数据驱动的方法和机器学习为预测个性化治疗策略的患者结果提供了宝贵的见解.