In un recente studio longitudinale pubblicato su Malattia di Parkinson npjI ricercatori hanno monitorato quantitativamente la progressione dei sintomi motori della malattia di Parkinson (PD) nel tempo utilizzando dati di sensori indossabili e algoritmi di apprendimento automatico (ML).
Soggiorno: Identificazione della progressione motoria nella malattia di Parkinson utilizzando sensori indossabili e apprendimento automatico. Credito immagine: metamorworks/Shutterstock.com
sfondo
L’attuale misura gold standard per monitorare la progressione della malattia di Parkinson, in particolare i sintomi motori e non motori, è la Movement Disorder Society Unified Parkinson’s Disease Rating Scale (MDS-UPDRS).
Tuttavia, la variabilità nelle loro valutazioni spesso ostacola le analisi statistiche negli studi clinici. Pertanto, una scala a intervalli continui è altamente auspicabile per misurare l’efficacia degli interventi clinici per la malattia di Parkinson negli studi clinici.
I dispositivi indossabili sono strumenti preziosi per monitorare la progressione dei sintomi motori nella malattia di Parkinson. Sono portatili, convenienti e possono valutare le caratteristiche dell’andatura e l’equilibrio spazio-temporale.
Inoltre, questi dispositivi possono generare misurazioni cinematiche approfondite e personalizzate da remoto, ad esempio, in case e cliniche. Tuttavia, non tutte le misurazioni numeriche estratte dai dispositivi indossabili sono rilevanti per la pratica clinica. Quindi, i modelli ML entrano in scena.
Lavori recenti hanno dimostrato che l’analisi dei dati IMU può distinguere i pazienti con malattia di Parkinson con diversi livelli di gravità e altri disturbi simili alla malattia di Parkinson, ad esempio la paralisi sopranucleare progressiva (PSP). Modelli ML ben addestrati possono identificare segni di bradicinesia nei pazienti con malattia di Parkinson.
A proposito dello studio
In questo studio, i ricercatori hanno utilizzato semplici algoritmi di regressione lineare (LR) e foresta casuale (RF) con diverse procedure di selezione automatica delle caratteristiche per sviluppare sette modelli ML che trattano caratteristiche cinematiche misurate da dispositivi indossabili.
Inoltre, hanno utilizzato i dati sull’andatura (2 minuti) e sull’oscillazione posturale (30 secondi) raccolti da sei unità di misurazione inerziale (IMU) indossabili per identificare il/i segnale/i primario/i dello sviluppo dei sintomi motori in 74 pazienti con malattia di Parkinson in un periodo di 18 mesi. periodo. Nel corso dello studio, tutti i partecipanti hanno completato un totale di sette visite.
I criteri di ammissibilità stabilivano che questi partecipanti avessero la malattia di Parkinson o ricevessero farmaci anti-PD ma non presentassero problemi muscoloscheletrici significativi o demenza al momento dell’arruolamento e del consenso.
Il team ha chiesto loro di indossare sensori indossabili sui polsi, sui piedi, sullo sterno e sulla zona lombare. Questi dispositivi raccoglievano dati da accelerometro, giroscopio e magnetometro a tre assi ad una frequenza di campionamento di 128 Hz.
I ricercatori hanno convalidato la correlazione dei dati IMU derivati da sensori indossabili con le classificazioni MDS-UPDRS-III per capire quali tracciano meglio la progressione dei sintomi motori della malattia di Parkinson.
Hanno ipotizzato che questi modelli potessero rilevare uno sviluppo statisticamente significativo dei sintomi motori nei pazienti con malattia di Parkinson prima della scala MDS-UPDRS-III.
risultati
I ricercatori hanno raccolto dati IMU nell’arco di 18 mesi da 91 persone con malattia di Parkinson idiopatica. Dei 122 tratti motori misurati, 29 sono aumentati significativamente in modo lineare o sono diminuiti a livello di gruppo nel tempo.
Di questi, 19 casi riflettevano la variabilità dell’andatura passo dopo passo, che in precedenza era stata ampiamente correlata con la gravità della malattia di Parkinson. Gli studi hanno anche dimostrato che è un importante fattore predittivo di cadute nei pazienti con malattia di Parkinson.
La velocità dell’oscillazione mediolaterale è stata l’unica caratteristica dell’oscillazione posturale che è migliorata significativamente; È anche un noto biomarker delle cadute nei pazienti con malattia di Parkinson. Tra le caratteristiche individuali, l’angolo del piede al momento dell’appoggio, lo stacco del piede e la lunghezza del passo hanno contribuito in modo significativo alla stima del punteggio MDS-UPDRS-III.
Il modello LR multivariato (Modello 1) ha utilizzato le due caratteristiche cinematiche, mostrando la progressione temporale statisticamente più significativa. Delle 29 funzionalità avanzate, sei sono state identificate da utilizzare nel modello di arresto anticipato (modello 2). Il team ha inoltre studiato un regressore RF con 29 funzionalità avanzate come input (modello 3).
L’applicazione dell’analisi delle componenti principali (PCA) a 122 funzionalità e 29 funzionalità avanzate ha ridotto la dimensionalità dei set di dati originali ad alta dimensionalità e ha restituito rispettivamente 31 e 10 funzionalità.
Entrambe le componenti principali sono servite come variabili indipendenti nelle regressioni LR e RF. Ho portato i modelli 4, 5, 6 e 7, che utilizzavano rispettivamente LR su dieci fattori, RF su dieci fattori, LR su 31 fattori e RF su 31 fattori.
Il regressore RF (modello 3) ha stimato il punteggio MDS-UPDRS-III con l’errore quadratico medio minimo (RMSE) (= 10,02) nelle cinque iterazioni di convalida incrociata; Pertanto è stata adottata l’elaborazione dei dati del sensore longitudinale provenienti da visite successive.
Il modello 3 ha inoltre identificato lo sviluppo di sintomi motori nella malattia di Parkinson già 15 mesi dopo il basale, mentre la scala MDS-UPDRS non ha catturato questi segni fino alla fine del periodo di studio.
Inoltre, la produzione dei modelli aumentava in modo monotono da una visita all’altra. Al contrario, i punteggi MDS-UPDRS-III fluttuavano da una visita all’altra, risultando in prove poco chiare dello sviluppo di sintomi motori della malattia di Parkinson.
Conclusioni
Nel complesso, la metodologia basata su dispositivi indossabili e algoritmi di apprendimento automatico presentata in questo studio può essere uno strumento complementare nella pratica clinica per identificare i primi segni dello sviluppo dei sintomi motori della malattia di Parkinson.
Questo metodo ha funzionato meglio delle scale di valutazione clinica tradizionalmente utilizzate nella malattia di Parkinson; Pertanto, può migliorare significativamente l’accuratezza diagnostica e prognostica dei pazienti con malattia di Parkinson.
“Fan della TV. Risolutore di problemi malvagi. Amante del cibo appassionato. Explorer. Specialista di Internet. Imprenditore dilettante. Fanatico dell’alcol.”
