使用专家引用的特征来检测脑中腿部 dystonia 的脑

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 儿科 儿科 儿科

背景情况:

• 大脑 (CP) 中的腿部是个重大挑战,由于常规临床评估的局限性,经常被诊断不足.
• 目前通过标准临床评估对腿部 dystonia 的诊断准确率仅为 12%,这突显了改善检测方法的关键需求.
• 专家的共识确定了特定的腿部 dystonia 特性,但缺乏用于诊断目的的客观量化.

研究的目的:

• 为了确定专家识别的CP儿童腿部 dystonia 特性是否可以从视频录像中量化.
• 训练机器学习 (ML) 模型使用这些量化特征来准确检测CP儿童的腿部 dystonia.
• 开发一种新的,可访问的工具,以改善儿科CP患者的腿部 dystonia 诊断.

主要方法:

• 运动障碍专家评估了CP儿童执行坐着任务的视频.
• 提取了69个可量化的特征,对应于12个专家引用的腿部 dystonia 特征.
• 机器学习模型在163个视频中对量化特征进行了训练,并在两个中心的135个视频中进行了验证.

主要成果:

• 机器学习模型在识别两中心的腿部 dystonia 中实现了 82% 的准确性, 88% 的灵敏性和 84% 的负预测值.
• 腿部运动变化是关键指标,占最佳表现模型使用的前25个特征的68%.
• 开发的开源软件DxTonia利用这些ML模型在CP视频中自动检测腿部 dystonia.

结论:

• 从视频中量化腿部运动变异性提供了一个准确的方法来检测CP儿童的腿部 dystonia.
• 与传统的临床评估相比,DxTonia软件显著提高了腿部 dystonia 的诊断准确性.
• 这种方法为更早,更可靠的诊断提供了一个有希望的工具,有可能改善患者管理和结果.