基于视频的机器学习模型用于预测帕金森病患者的深度大脑刺激结果

科学领域:

• 神经学 神经学
• 生物医学工程 生物医学工程
• 机器学习在医学中的应用

背景情况:

• 目前的帕金森病 (PD) 深度大脑刺激 (DBS) 候选人查依赖于主观的利沃多巴挑战测试 (LCT).
• 主观的临床尺度限制了LCT对手术后运动结果的预测准确性,PD患者接受DBS.
• 需要客观的定量指标来改善DBS疗效的预测.

研究的目的:

• 开发和验证基于视频的机器学习模型,用于在PD患者的LCT期间客观的运动评估.
• 使用动力学数据预测二进制 (DBS+ / DBS-) 和三进制 (DBS++ / DBS+ / DBS-) 术后运动结果.
• 增强在帕金森病中进行DBS手术的术前查和患者选择.

主要方法:

• 包括70名接受DBS手术的帕金森病患者.
• 使用经过验证的运动评估软件分析了手术前勒沃多巴挑战测试 (LCT) 的视频录像.
• 提取了客观的动力学指标 (速度,振幅,稳定性),并用于训练机器学习模型 (LDA) 用于二进制和三进制结果分类.

主要成果:

• 线性差异分析 (LDA) 在二元分类 (DBS+ / DBS-) 中获得了F1得分0.87,在三元分类 (有效性分层) 中获得了0.67的加权F1得分.
• 结合视频衍生动力学特征的模型仅使用传统临床预测器的基线模型表现优于基线模型.
• 速度驱动的动力学领域是关键预测因素,轴向参数和不对称的利沃多巴反应有助于结果分层.

结论:

• 基于视频的LCT机器学习分析为帕金森病患者提供客观的定量运动反应概况.
• 与传统方法相比,这种方法显著改善了对深度脑刺激 (DBS) 疗效的预测.
• 客观的LCT分析可以作为数据驱动的患者选择和个性化外科咨询的宝贵补充工具.