机器学习分析恐慌障碍时的姿势学图:为客观生理生物标志物识别进行试点研究
Luiz Antonio Vesco Gaiotto1, Felipe O Aguiar1,2, Thales Marcon1
1Mental Health Department, Santa Casa de São Paulo School of Medical Sciences, São Paulo, Brazil.
Frontiers in psychiatry
|November 3, 2025
概括
对稳定度数据的机器学习分析有效地将恐慌障碍 (PD) 患者与健康个体区分开来. 这种方法增强了与PD相关的微妙姿势控制异常的检测.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 临床心理学 临床心理学
背景情况:
- 恐慌症 (PD) 与微妙的姿势控制缺陷有关.
- 传统的统计方法不足以捕捉这些异常.
- 机器学习 (ML) 提供了增强检测PD相关姿势模式的潜力.
研究的目的:
- 为了评估PD患者的静态姿势控制.
- 为了确定是否ML分析稳定度数据可以改善与健康对照的差异化.
主要方法:
- 一项涉及12名PD患者和21名健康志愿者的横截面病例控制研究.
- 在五种感官条件下进行稳定计.
- 机器学习模型 (逻辑回归,线性差异分析等) 通过分层,主体分组的交叉验证进行培训和验证.
主要成果:
- 在区分组中,物流回归实现了93.8%的准确性和96%的AUC.
- 线性差异分析显示了最高的特异性 (91.7%).
- 与对照组相比,PD患者的中侧摆动显著减少.
结论:
- 应用于姿势图的ML可以识别恐慌障碍的生理标志物.
- 稳定度数据的ML分析提高了对传统方法的分类准确性.
- 使用ML的静态体位图可能优于PD目前的临床查工具.
