早期多发性硬化症患者和健康对照患者的分类,在双重任务期间使用动力学分析
José Eduardo Rosseto Garotti1, Danielli Souza Speciali1, Raymundo Machado de Azevedo Neto1
1Hospital Israelita Albert Einstein, São Paulo, Brazil.
Frontiers in artificial intelligence
|November 6, 2025
概括
机器学习有效地区分早期多发性硬化症 (MS) 和健康个体,使用角度步态分析. 这种方法有助于识别步态变化,这对于在MS患者中保持独立性至关重要.
科学领域:
- 神经学 神经学
- 生物机械工程 生物机械工程
- 数据科学数据科学数据科学
背景情况:
- 多发性硬化症 (MS) 是年轻人的神经障碍的主要原因.
- 步行障碍显著影响MS患者的功能独立性和生活质量.
- 早期检测和表征MS相关的步态变化对于及时干预至关重要.
研究的目的:
- 为了区分早期多发性硬化症 (MS) 患者与健康对照.
- 为了研究机器学习的实用性,应用于用于MS检测的角度步态变量.
- 评估双重任务对MS步态参数的影响.
主要方法:
- 一项涉及19名多发性硬化患者 (EDSS <3.5) 和19名健康对照者的横截面观察研究.
- 在正常行走和双任务状态 (在执行记忆任务时行走) 中进行了三维步态分析.
- 使用弹性净回归模型,根据动态步态变量对参与者进行分类.
主要成果:
- 机器学习模型实现了高分类准确性,曲线下的面积 (AUC) 值为0.77 ± 0.21 (平均值),0.94 ± 0.09 (平均值和标准偏差) 和0.95 ± 0.09 (仅标准偏差).
- 动力学变量的标准偏差在区分多发性硬化患者和对照人群方面尤其有效.
- 在双重任务条件下的步态分析提供了有价值的歧视性信息.
结论:
- 与机器学习相结合的角度步态分析是一种有希望的,非侵入性的方法,用于识别早期多发性硬化症.
- 这种方法可以帮助客观地评估MS的步行异常.
- 进一步的研究可以探索将这些发现整合到临床诊断途径中.
