编辑推荐：
保罗州立大学的研究人员测试了机器学习技术，以估计步长、宽度和速度等参数。该方法使临床诊断更加精确，并能确定疾病发展的阶段。
位于巴西Bauru的保罗州立大学(UNESP)体育学系人体运动实验室(motion - lab)的科学家们正在使用人工智能帮助诊断帕金森氏症并估计其进展。
发表在《步态与姿势》杂志上的一篇文章报道了一项研究的发现，在该研究中，机器学习算法通过分析空间和时间步态参数来识别这种疾病的病例。
研究人员发现四种步态特征对诊断帕金森症最重要:步长、速度、宽度和一致性(或宽度变异性)。为了衡量疾病的严重程度，最重要的因素是台阶宽度的变异性和双支撑时间(在此期间双脚与地面接触)。
“与科学文献相比，我们的研究采用了比通常诊断目的更大的数据库，这是一项创新。我们选择步态参数作为关键标准，因为步态障碍出现在帕金森病早期，并随着时间的推移而恶化，也因为它们与年龄、身高和体重等生理参数无关，”这篇文章的合著者Fabio Augusto Barbieri告诉Agência FAPESP。Barbieri是联合国环境规划署科学学院(FC)体育系的教授。
该研究由FAPESP通过3个项目(14/20549-0、17/19516-8和20/01250-4)支持。
该研究样本包括63名Ativa Parkinson参与者和63名健康对照者，Ativa Parkinson是FC-UNESP为帕金森患者开展的系统化身体活动的多学科项目。所有志愿者年龄都在50岁以上。数据被收集并输入机器学习过程中使用的存储库，持续了7年。
通过分析健康对照组的步态参数，并将其与该年龄组的预期水平进行比较，得出基线评估。这涉及到使用一种特殊的动作捕捉相机来测量每个人的步幅的长度、宽度、持续时间、速度、节奏、单步和双步支撑时间，以及步幅的可变性和不对称性。
研究人员使用这些数据创建了两个不同的机器学习模型——一个用于疾病诊断，另一个用于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参与了这部分研究。
他们将数据通过6种算法进行运算:Na?ve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的诊断准确率为84.6%，而NB和RF在评估严重程度方面表现最好。
“临床评估的典型准确率在80%左右。通过将临床评估与人工智能相结合，我们可以显著降低诊断错误的概率。”
即将到来的挑战
帕金森氏症至少在一定程度上是由于大脑中控制运动的神经细胞变性，这是多巴胺分泌不足的结果。多巴胺是一种向四肢传递信号的神经递质。多巴胺水平低会影响运动，产生震颤、步态缓慢、僵硬和平衡能力差等症状，以及说话和写作能力的改变。
目前的诊断是基于患者的临床病史和神经系统检查，没有具体的测试。目前还没有确切的信息，但据估计，65岁以上的人群中有3%-4%患有帕金森症。
另一位合著者，博士候选人Tiago Penedo的研究由Barbieri监督，据他说，研究结果将有助于提高未来的诊断评估，但成本可能是一个抑制因素。他说:“我们在这个工具上取得了进展，并为扩大数据库做出了贡献，但我们使用的昂贵设备在诊所和医生办公室很难找到。”
研究中使用的设备成本约为10万美元。佩内多说:“用更便宜的技术分析步态是可能的，比如使用计时器、测力板等，但结果并不精确。”
研究人员认为，这项研究中使用的技术有助于更好地理解这种疾病的潜在机制，特别是步态模式。
2021年发表的一篇文章中报道了一项较早的研究，Barbieri是最后一位作者，该研究证明，帕金森患者在跨越障碍时的步长协同效应比相同年龄和体重的健康受试者低53%。协同作用在这种情况下指的是身体移动(或肌肉骨骼)系统适应运动的能力，综合了速度和脚的位置等因素，例如，在走下路沿时(更多信息请访问:agency . faaps .br/35563)。
另一项同样发表在《步态与姿势》杂志上的研究表明，与神经系统健康的同龄人相比，帕金森氏症患者更难保持姿势控制和漫步颤抖的稳定性。作者说，这些发现为解释帕金森氏症患者出现的更大、更快、更多变的摇摆提供了新的见解。
生物通微信公众号
生物通 版权所有
