基于可穿戴传感器的步态参数的建模和验证,用于帕金森病患者的认知障碍患者

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:

• 认知障碍是帕金森病 (PD) 的重要非运动症状,影响生活质量和疾病进展.
• 在PD中关联运动和认知缺陷的机制尚未完全理解.
• 可穿戴传感器技术为客观步态分析和识别患有认知衰退风险的PD患者提供了一种新的非侵入性方法.

研究的目的:

• 开发和验证一种诊断模型,用于使用可穿戴传感器衍生的步态参数预测PD患者的认知障碍.
• 将机器学习方法与步态分析相结合,以提高PD认知障碍预测的准确性.

主要方法:

• 一项涉及早期至中期PD患者的横截面研究,数据包括人口统计,病史,认知分数和基于可穿戴传感器的步态参数.
• 用38个变量训练和评估了后勤回归和6个机器学习模型,通过ROC曲线,AUC,DCA,校准曲线,PR曲线和SHAP分析来评估性能.
• 在认知得分 (MoCA,MMSE) 和关键步态参数之间进行了相关性分析.

主要成果:

• 鉴定了PD认知障碍的7个独立风险因素,包括PD持续时间,UPDRS-III分数,步骤长度,步行速度,步行时间,臂峰值角速度和方向盘时峰值角速度.
• 后勤回归模型实现了卓越的预测性能,测试组AUC为0.957.
• SHAP分析强调了步骤长度,UPDRS-III分数,PD持续时间和转向过程中的峰值角速度作为关键预测指标,发现步态较差和认知分数较低之间存在显著的关联.

结论:

• 来自可穿戴传感器的步行参数显示了PD认知障碍生物标志物的潜力.
• 这项研究揭示了PD中运动和认知功能障碍之间的复杂相互作用.
• 将步态分析与机器学习,特别是后勤回归集成,为早期检测和对PD认知衰退的风险分层提供了可扩展的,非侵入性的方法,改善了临床决策和患者的结果.