帕金森氏症的可穿戴传感器可以通过机器学习、来自健康成年人的数据来改善

伊利诺伊州尚佩恩 — 低成本的可穿戴传感器可以增加帕金森病患者获得护理的机会。伊利诺伊大学厄巴纳-香槟分校的研究人员和临床合作者在一项新的研究中发现，新的机器学习方法和来自健康老年人的数据基线提高了此类传感器结果的准确性。

“这项研究表明，使用健康的老年人运动数据扩展数据集并与深度学习方法的整合可以帮助提高检测帕金森病患者运动障碍差异的准确性，以便在未来的远程医疗会议中使用，”研究负责人曼努埃尔·恩里克·埃尔南德斯（Manuel Enrique Hernandez）说，他是伊利诺伊大学卡尔伊利诺伊医学院的生物医学和转化科学教授。

埃尔南德斯说，为了监测他们的症状，帕金森病患者必须定期接受评估 – 通常是耗时的亲自访问专家，可用性有限。

远程医疗的评估将改善患者获得护理的机会，但由于缺乏可量化的测量，因此具有挑战性。例如，医生可以观察患者的运动，但无法评估僵硬或肌肉张力。虽然在使用可穿戴传感器评估运动技能方面取得了一些进展，但成本限制了它们的使用。

为了应对这些挑战，伊利诺伊州团队专注于使用低成本可穿戴传感器改进评估的方法。

“理想情况下，我们会有一些完全被动的东西，在一个人经历日常环境时收集数据，并使用这些信息为他们的整体运动功能和神经系统症状的进展提供指导。但是，你面临着如何解析所有这些信息并使其对临床医生有用的巨大挑战，“埃尔南德斯说。“这就是我们改进机器学习的策略，磨练对评估有用的活动，并将健康个体视为基线。

研究人员采用了临床评估的黄金标准，即运动障碍协会赞助的统一帕金森病评定量表的修订版。MDS-UPDRS 概述了患者将执行的具体任务和医生在检查期间将进行的定性观察，并将它们组织成分类进行评分。

在他们的研究中，研究人员让患者在佩戴传感器的同时执行任务和肌肉运动，以提供MDS-UPDRS评分类别的数据。他们使用来自帕金森病患者和健康老年人的数据来训练他们的机器学习模型。

“改进机器学习模型需要大量数据。我们假设健康的个体可以作为潜在年龄相关变化的基础。然后我们可以建立一个比较模型，以了解何时在运动功能或运动障碍方面可能发生显着变化，“埃尔南德斯说，他也隶属于运动机能学和社区健康与生物工程系，以及伊利诺伊州贝克曼高级科学技术研究所。

研究人员还使用了称为预训练的深度学习技术，使模型更加健壮，能够更好地识别重要的数据点并过滤掉不相关的数据点。与当前的标准模型相比，预训练和添加健康老年人数据将识别手部运动任务中运动障碍的准确性提高了 12% 以上。此外，包括来自健康老年人的数据提高了评估上半身和下半身每项任务的准确性，除了脚趾敲击。

研究结果发表在《传感器》杂志上。

接下来，研究人员希望与神经学家和临床医生进一步合作，以扩展他们的模型。他们的目标是确定少量额外的任务，这些任务可以定量测量有关帕金森病经典症状（如震颤）的更多信息，同时保持传感器的低成本和易用性。

“我们非常需要更好地了解和更好地量化帕金森病正在发生的变化，”埃尔南德斯说。“在远程医疗环境中进行临床评估过程中的活动时使用可穿戴传感器的能力可能会为更客观、更可量化的信息打开大门，这些信息可以帮助指导帕金森病患者的治疗，并有望改善生活质量。

伊利诺伊州工业和企业系统教授理查德·索尔斯（Richard Sowers）和约翰·霍普金斯大学医学院（Johns Hopkins School of Medicine）、纽约大学（New York University）和纽约市健康+医院（NYC Health + Hospitals）的教授兼神经学家詹姆斯·R·布拉西奇（James R. Brasic）是该论文的合著者。