人工智能有助于检测步态改变和诊断帕金森病

导读 隶属于巴西包鲁圣保罗州立大学 (UNESP) 体育系人体运动实验室 (Movi-Lab) 的科学家们正在使用人工智能来帮助诊断帕金森病并估计其进展...

隶属于巴西包鲁圣保罗州立大学 (UNESP) 体育系人体运动实验室 (Movi-Lab) 的科学家们正在使用人工智能来帮助诊断帕金森病并估计其进展。

发表在Gait & Posture杂志上的一篇文章报告了一项研究的结果,其中机器学习算法通过分析空间和时间步态参数来识别疾病病例。

研究人员发现四个步态特征对于诊断帕金森症最重要:步长、速度、宽度和一致性(或宽度可变性)。为了衡量疾病的严重程度,最重要的因素是步宽可变性和双支撑时间(在此期间双脚与地面接触)。

“与科学文献相比,我们的研究通过使用比通常更大的数据库用于诊断目的而进行了创新。我们选择步态参数作为关键标准,因为步态障碍在帕金森氏症早期出现并随着时间的推移变得更糟,而且因为它们不相关具有年龄、身高和体重等生理参数,”该文章的合著者 Fabio Augusto Barbieri 告诉 Agência FAPESP。Barbieri 是 UNESP 科学学院 (FC) 体育系的教授。

研究样本包括 63 名参加 Ativa 帕金森病的参与者,这是一项在 FC-UNESP 为帕金森病患者进行的多学科系统化身体活动计划,以及 63 名健康对照者。所有志愿者都在 50 岁以上。七年来,数据被收集并输入到机器学习过程中使用的存储库中。

通过分析健康对照的步态参数并将其与该年龄组的预期水平进行比较,得出基线评估。这涉及使用特殊的运动捕捉相机来测量每个人的步幅长度、宽度、持续时间、速度、节奏、单双支撑时间,以及步幅可变性和不对称性。

研究人员使用这些数据创建了两种不同的机器学习模型——一种用于疾病的诊断,另一种用于估计被评估患者的严重程度。葡萄牙波尔图大学工程学院的科学家在这部分研究中进行了合作。

他们通过六种算法运行数据:朴素贝叶斯 (NB)、支持向量机 (SVM)、决策树 (DT)、随机森林 (RF)、逻辑回归 (LR) 和多层感知器 (MLP)。NB 达到了 84.6% 的诊断准确率,而 NB 和 RF 在评估严重性方面表现最好。

“临床评估的典型准确度约为 80%。我们可以通过将临床评估与人工智能相结合来显着降低诊断错误的可能性,”Barbieri 说。

即将到来的挑战

帕金森病至少部分是由于控制运动的大脑区域神经细胞退化,这是多巴胺生成不足的结果。多巴胺是向四肢传递信号的神经递质。低多巴胺水平会损害运动,产生震颤、步态缓慢、僵硬和平衡不良等症状,以及言语和写作的改变。

诊断目前基于患者的临床病史和神经系统检查,没有特定的测试。无法获得准确信息,但估计 65 岁以上人口中有 3%-4% 患有帕金森症。

根据另一位合著者的说法,博士。候选人 Tiago Penedo,其研究由 Barbieri 监督,该研究的结果将有助于改进未来的诊断评估,但成本可能是一个抑制因素。“我们在工具方面取得了进展,并为数据库的扩展做出了贡献,但我们使用了在诊所和医生办公室很难找到的昂贵设备,”他说。

研究中使用的设备成本约为 100,000 美元。“可以使用更便宜的技术来分析步态,例如使用计时器、测力板等,但结果并不精确,”佩内多说。

研究人员认为,研究中使用的技术有助于更好地了解疾病的潜在机制,尤其是步态模式。

一项较早的研究报告于 2021 年发表的一篇文章中,Barbieri 是最后一位作者,该研究证明帕金森病患者在跨越障碍时的步长协同作用比同年龄和体重的健康受试者低 53%。在这种情况下,协同作用指的是运动(或肌肉骨骼)系统适应运动的能力,结合速度和脚部位置等因素,例如,在离开路边时。

同样发表在《步态与姿势》杂志上的另一项研究表明,与神经系统健康的同龄人相比,帕金森病患者维持姿势控制和漫步-颤抖稳定性的能力较差。作者说,这些发现提供了新的见解来解释在帕金森病患者身上看到的更大、更快和更多变的摇摆。

免责声明:本文由用户上传,如有侵权请联系删除!

猜你喜欢

最新文章