使用节奏性听觉刺激对帕金森病的步态分析和预测:使用机器学习模型的数据驱动方法

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 康复科学 康复科学 康复科学

背景情况:

• 步行障碍是帕金森病 (PD) 的主要症状,导致运动能力下降和跌倒风险增加.
• 节律性听觉刺激 (RAS) 是改善PD步态的潜在干预措施,但患者的反应各不相同.
• 预测RAS响应者对于开发个性化治疗策略至关重要.

研究的目的:

• 评估节奏听力刺激 (RAS) 对帕金森病 (PD) 患者的步态参数的影响.
• 开发和验证一种机器学习模型,用于预测个体患者对RAS的反应.
• 确定主要的临床和步态特征,这些特征可以预测对RAS的反应.

主要方法:

• 300名PD患者被纳入了一项随机对照试验,具有RAS或对照条件.
• 步行分析使用了3D运动捕捉和力板,基线评估包括UPDRS-III和MoCA分数.
• 机器学习模型 (随机森林,XGBoost,SVM) 使用人口统计和基线步态数据进行训练,以预测RAS响应.

主要成果:

• 节律性听觉刺激 (RAS) 显著改善了帕金森病 (PD) 患者的步行速度,步伐长度,并减少了双重支时间和可变性 (p < 0.001).
• 大约67.8%的RAS组患者被确定为反应者,表现出步行速度和双重支时间的改善.
• 随机森林模型实现了最好的预测性能 (AUC=0.713),UPDRS-III得分,步伐长度,MoCA得分和步态不对称被确定为关键预测因素.

结论:

• 节律性听觉刺激 (RAS) 是一种有效的干预措施,用于提高帕金森病 (PD) 患者的步行表现.
• 机器学习框架可以合理地预测RAS响应者,促进个性化的步行康复策略.
• 识别UPDRS-III和步态参数等关键预测因素,可以在PD管理中量身定制治疗方法.