在阿尔茨海默病中使用机器学习分类器对动图的诊断性能 - 一个横截面记忆诊所研究研究

科学领域:

• 老年学是一门学科.
• 神经学 神经学
• 生物医学工程 生物医学工程

背景情况:

• 阿尔茨海默病 (AD) 与改变的运动模式,活动水平和昼夜节律有关.
• 使用可穿戴传感器的动图学提供了一种评估这些变化的方法.
• 在区分痴呆症亚型方面,动图的诊断实用性尚未完全确定.

研究的目的:

• 为了评估在记忆诊所人群中识别阿尔茨海默病 (AD) 的诊断性能.
• 评估在动图学数据上训练有素的机器学习分类器在AD和其他痴呆病因之间区分能力.

主要方法:

• 一项横截面研究包括70名患有阿尔茨海默病,勒维体痴呆症 (DLB),脑血管疾病 (CVD) 的患者,以及48名健康对照.
• 参与者在一个星期内佩戴了两个身上的传感器,以收集加速度计数据.
• 使用后勤回归的机器学习分类器在510个活动相关特征上受训,这些特征来自运动模式和昼夜节律数据.

主要成果:

• 两组之间观察到运动模式和昼夜节律强度/碎片化的显著差异.
• 与对照人群相比,动图学数据显示,阿兹海默症患者的中度活动和步行减少.
• 机器学习分类器在区分痴呆病因方面实现了80-89%的准确性和69-84%的精度.

结论:

• 动图学数据,特别是用机器学习分析时,可以准确地区分不同类型的痴呆症.
• 在怀疑AD的患者中,动图显示出作为差异诊断的补充工具的潜力.