机器学习和对传感器数据的统计分析揭示了帕金森病中重复试验之间的变化
Rana M Khalil1, Lisa M Shulman2, Ann L Gruber-Baldini3
1Center for Bioinformatics and Computational Biology, University of Maryland, College Park, MD 20742, USA.
Sensors (Basel, Switzerland)
|January 8, 2025
概括
对帕金森病 (PD) 的重复性移动性测试显示,试验之间的诊断准确性变化很小. 副任务持续时间和传感器数据的变化凸显了超出总任务时间的细微分析的必要性.
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
- 康复科学 康复科学 康复科学
背景情况:
- 移动性任务,如定时启动和启动 (TUG) 和认知TUG (cogTUG),对于评估帕金森病 (PD) 对运动控制,平衡和认知的影响至关重要.
- 可穿戴式传感器为评估这些复杂的运动提供了定量测量.
研究的目的:
- 评估TUG,cogTUG和轮流行走在患有PD的个体和健康对照者的测试-重新测试可靠性.
- 评估机器学习模型和统计指标的性能,使用可穿戴传感器数据进行PD诊断.
主要方法:
- 在两个试验中,收集了来自262名PD参与者和50名执行移动任务的对照者的数据.
- 利用可穿戴传感器衍生措施,机器学习模型和统计指标 (包括ICC) 来分析总持续时间,子任务持续时间和其他定量方面.
- 第一个和第二个试验之间的性能比较,以确定测试-重新测试可靠性.
主要成果:
- 在试验之间,区分PD与对照的诊断准确性仅下降了1.8%,这表明重复可能对诊断不至关重要.
- 虽然总任务持续时间显示出良好的一致性 (ICC = 0.62-0.95),但子任务持续时间和来自传感器的测量结果在试验之间显示出更大的变化.
- 这种变异性在对照组和PD参与者之间,以及在不同PD严重程度组之间有显著差异,这突显了人群特异性的细微差别.
结论:
- 仅依赖任务总持续时间和传统统计数据可能会过度简化PD评估中移动任务的可靠性.
- 对子任务可变性和传感器数据的细微分析对于准确捕捉PD中的运动特征至关重要.
- 研究结果强调了在PD研究和临床实践中解释移动任务可靠性时考虑人口特征的重要性.
