解释面部动作单位与低血压和帕金森病临床评分之间的相关性

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 医学成像分析 医学成像分析

背景情况:

• 低表情或面部表情减少是帕金森病 (PD) 的关键早期症状.
• 对缺血症的客观量化对于早期发现PD和监测疾病进展至关重要.
• 面部动作单位 (AU) 提供了一个标准化的系统来描述面部运动.

研究的目的:

• 确定在早期帕金森病 (PD) 中特征低血的特定面部动作单元 (AU).
• 评估这些AU在区分PD患者和健康对照 (HC) 中的有用性.
• 探索面部AU,PD临床严重程度和分类模型性能之间的相关性.

主要方法:

• 视频记录了109名早期PD患者和45名HC患者的视频记录,他们执行快速的音节重复.
• 解释XGBoost机器学习模型以识别PD与HC区分的关键面部特征 (AU).
• 分析性别和时间对面部特征和分类准确性的影响,以及与临床PD分数 (MDS-UPDRS3) 的相关性分析.

主要成果:

• 低血症最具歧视性的AU位于下面,独立于性别,并且随着时间的推移而稳定.
• 在AU17 (下巴抬起) 和左上四肢刚性 (r = -0.4) 和AU9 (鼻) 和部刚性 (r = -0.36) 之间发现了显著的相关性.
• XGBoost模型的预测显示了与MDS-UPDRS3和部刚度得分 (r = 0.3) 的显著相关性,在PD检测中达到79.8%的AUC和71.5%的平衡精度.

结论:

• 下面面部AU是帕金森病早期低血的强有力的指标.
• 特定的AU与硬等运动症状有显著的相关性,这表明面部运动缺陷与更广泛的PD病理之间存在联系.
• 使用面部AU的机器学习模型显示出客观,非侵入性早期检测帕金森病的有希望的潜力.