使用集成机器学习和稳定度生物标志物的帕金森病高精度分类

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:

• 区分帕金森病 (PD) 和健康衰老对于有效的患者管理至关重要.
• 姿势摆动异常是PD的关键运动症状,使稳定计成为潜在的诊断工具.
• 机器学习 (ML) 为客观诊断标记提供了先进的分析能力.

研究的目的:

• 开发和验证高性能ML模型,用于对PD患者和健康的老年人进行分类.
• 为了利用定量稳定计参数进行客观的PD诊断.

主要方法:

• 采集了26名PD患者和37名HOA (年龄在60-80岁) 的稳定计数据.
• 在眼睛开放和闭眼条件下提取了34个时间和频域压力中心 (COP) 摆动参数.
• 使用交叉验证和分层列车测试进行训练和验证的集体ML模型 (随机森林,梯度提升,SVM).

主要成果:

• 整体投票分类器在区分PD和HOA方面实现了高精度 (0.91) 和AUC ROC (0.97).
• 确定了关键的差异化生物标志物,包括前后后摆动速度 (眼睛打开) 和总摆动路径 (眼睛关闭).
• 这些模型表现出了出色的区分能力,突出了稳定计在病发性病诊断中的潜力.

结论:

• 使用稳定度特征的整体ML方法为PD检测提供了高度准确和非侵入性的方法.
• 这种技术可能会增强帕金森病的临床评估和监测.
• 来自姿势摇摆分析的客观标记显示了早期和准确的PD诊断的希望.