基于自发眼的机器学习,用于跟踪帕金森病的临床波动
Noriko Nishikawa1, Shin Tejima2, Daiki Kamiyama3
1Department of Neurology, Juntendo University School of Medicine, Tokyo, Japan. n.nishikawa.ts@juntendo.ac.jp.
NPJ Parkinson's disease
|August 18, 2025
概括
自发的眼是帕金森病 (PD) 的数字生物标志物. 分析眼数据的机器学习模型准确地预测了药物反应和动力障碍,提供了一个非侵入性监测工具.
科学领域:
- 神经学 神经学
- 生物医学工程 生物医学工程
- 数字健康数字健康
背景情况:
- 帕金森病 (PD) 的诊断和管理依赖于临床评估.
- 准确的PD监测需要客观和实时的生物标志物.
- 自发的眼是潜在的,非侵入性的生理信号.
研究的目的:
- 为了研究眼数据作为帕金森病的数字生物标记物的实用性.
- 探索眼模式和临床PD症状之间的相关性.
- 评估机器学习模型在分析闪数据中对PD评估的潜力.
主要方法:
- 一项不受控制的开放性研究,涉及20名PD患者.
- 在L-dopa注射之前和之后,每隔3分钟收集闪数据.
- 同时收集临床数据,包括ON/OFF状态,运动障碍,MDS-UPDRS第三部分得分和L-多巴度等.
主要成果:
- 机器学习模型准确地预测了药物开启/关闭状态 (AUC=0.87) 和动力障碍 (AUC=0.84).
- 在眼数据和MDS-UPDRS第三部分得分 (ρ=0.54) 和L-dopa血度 (ρ=0.57) 之间观察到中等相关性.
- 闪数据显示了反映与PD和药物治疗有关的变化的潜力.
结论:
- 自发的眼可以作为帕金森病的非侵入性实时数字生物标志物.
- 对眼模式的机器学习分析显示,对估计PD临床指数有很大的前景.
- 需要进一步的研究来验证眼数据作为更大的队列中可靠的生物标志物.
