PDWearML:利用日常活动来快速评估帕金森病的严重程度,使用可穿戴机器学习.

科学领域:

• 生物医学工程 生物医学工程
• 可穿戴技术可穿戴技术
• 医疗保健中的机器学习

背景情况:

• 有效评估帕金森病 (PD) 严重程度对于及时干预至关重要.
• 可穿戴式智能技术为远程和持续的PD监控提供了潜力.
• 优化机器学习算法和功能选择是基于可穿戴设备的健康评估的关键.

研究的目的:

• 开发和验证一个统一的分析框架 (PDWearML),以优化可穿戴机器学习方法,以快速评估PD严重程度.
• 用智能手表识别临床相关特征和代表性日常活动,以准确评估PD.
• 为培训和测试PDWearML框架创建一个受监督的PD患者和健康对照数据集.

主要方法:

• 设计了PDWearML框架,包括注释标准,特征重要性分析和代表性活动选择.
• 收集了使用华为智能手表和Shimmer设备从100名PD患者和35名对照组收集的12个月的监督数据集.
• 由训练有素的医生使用Hoehn和Yahr (H&Y) 尺度评估PD严重程度.

主要成果:

• 优化了多层次的特征提取,并结合了PD评估的三项日常活动 (步行,从椅子上起身,喝酒).
• 在使用基于智能手表的机器学习方法在2分钟内在监督环境中评估PD严重性的准确率高达84.7%.
• 证明了基于可穿戴设备的快速PD严重程度评估的可行性.

结论:

• PDWearML框架为帕金森病医疗保健中更快,更定制的干预提供了一个潜在的辅助工具.
• 这种方法增强了可穿戴智能的临床实用性,用于管理PD.
• 该研究的结果支持将可穿戴技术整合到常规PD护理中,以改善患者的治疗结果.