帕金森病中的步态参数和临床意义的定量分析
Wenchao Yin1, Hong Gao2, Beichen Liang3
1Department of Neurology, Central Hospital of Dalian University of Technology, Dalian, China.
Frontiers in neurology
|September 5, 2025
概括
在帕金森病 (PD) 中,步态分析显示出明显的运动障碍. 机器学习模型有效预测症状严重程度,帮助PD患者的临床评估和治疗策略.
科学领域:
- 神经学
- 生物机械工程
- 计算神经科学
背景情况:
- 步行障碍是帕金森病的一个关键临床特征.
- 了解PD的步态变化对于诊断和治疗至关重要.
- 莱沃多巴治疗会影响PD患者的步态.
研究的目的:
- 对于 PD 患者的步态异常.
- 在服用莱沃多巴之前和之后分析行走参数的变化.
- 开发用于预测PD运动症状严重性的机器学习模型.
主要方法:
- 在20名PD患者和17名健康对照人群中测量了步行参数.
- 在服用莱沃多巴之前和之后进行了步态分析.
- 机器学习回归模型使用步态参数进行训练,以预测MDS-UPDRS III分数.
主要成果:
- 与对照组相比,PD患者的步伐长度,速度和特定的关节角度都减少了.
- 步行障碍的严重程度与运动症状的严重程度相关.
- 利沃多巴改善了步伐长度,速度和节奏,同时减少了步伐时间.
- 机器学习模型准确预测了MDS-UPDRS III和非震动分数,后者表现更好.
结论:
- 步态评估提供了宝贵的洞察力.
- 机器学习模型可以预测PD患者的临床症状严重程度.
- 这种方法有助于临床医生识别和管理PD的步态障碍.
