机器学习用于早期检测和帕金森病患者的严重程度分类

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 临床神经学 临床神经学

背景情况:

• 早期检测和精确的帕金森病 (PD) 阶段确定对于有效的治疗和康复至关重要.
• 目前用于早期发现PD和使用步态分析进行运动症状严重程度分类的方法缺乏共识.
• 步态分析提供了一种非侵入性的方法来评估神经退行性疾病中的运动功能.

研究的目的:

• 评估机器学习模型在使用时空步态特征对早期和中期帕金森病 (PD) 的分类中的准确性.
• 为了确定不同步行速度 (首选,更快,更慢) 在基于步态的PD检测和分阶段的有效性.
• 确定最能区分PD阶段和健康对照的关键步行参数.

主要方法:

• 招募了178名参与者:103名患有PD (61名早期,42名中期) 和75名健康对照.
• 在24米长的步道上收集空间时空步行数据,以首选的步行速度 (PWS),20%更快 (HWS) 和20%更慢 (LWS).
• 应用机器学习算法 (Random Forest,Naïve Bayes) 来根据步行速度,步伐长度和步伐长度变化系数 (CV) 等步伐特征对PD阶段进行分类.

主要成果:

• 随机森林模型在使用PWS步行速度,HWS步伐长度和LWS步伐长度CV对早期/中度PD进行分类时实现了78.1%的准确性.
• 纯粹的贝叶斯模型通过使用HWS步长和LWS步长CV实现了67.3%的早期PD检测准确度.
• 偏好的步行速度 (PWS) 是区分早期和中度PD的最关键特征,准确率为69.8%.

结论:

• 步行分析,特别是评估不同步行速度的变化时,对早期检测帕金森病有很大的希望.
• 特定的步行参数,包括步行速度和步伐长度的变化,可以帮助分类PD严重程度.
• 应用于步态数据的机器学习模型为帕金森病管理中的客观评估提供了潜在的工具.