小型、廉价的可穿戴传感器可以改善帕金森氏症的治疗

伊利诺伊大学（University of Illinois）的研究人员表示，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。

该团队与约翰霍普金斯大学的临床合作者一起表示，新的机器学习方法和来自健康老年人的基线数据提高了这些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集成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·埃尔南德斯说，伊利诺伊大学卡尔伊利诺伊医学院生物医学和转化科学教授。

帕金森氏症患者必须定期接受评估以监测其症状。埃尔南德斯说，这种耗时的面对面专家访问通常可用性有限。远程医疗评估可以改善护理，但由于缺乏可量化的测量而受到阻碍。

伊利诺伊州的团队着手通过使用低成本的可穿戴传感器改进评估来解决这些问题。他们的结果发表在《传感器》杂志上。

“理想情况下，我们会有一些完全被动的东西，在一个人经历他们的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，”埃尔南德斯说。“但是，你面临着一个巨大的挑战，即如何解析所有这些信息，并使其对临床医生有用。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。

研究人员采用了运动障碍协会赞助的统一帕金森病评定量表修订版，这是一种临床评估方法。MDS-UPDRS 概述了患者将执行的任务以及医生在检查期间将进行的定性观察。然后，它会将它们组织到要评分的类别中。

在这项研究中，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机器学习模型。埃尔南德斯说，这有助于建立一个比较模型，以确定运动功能或运动障碍方面的显着变化。

研究人员使用了一种称为预训练的深度学习方法来增强模型。这有助于更好地识别重要数据点并过滤掉不相关的数据点。据该团队称，与当前的标准模型相比，预训练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，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，不包括脚趾敲击。

展望未来，该团队寻求与神经学家和临床医生合作，以扩展他们的模型。他们希望找到更多的任务，可以定量地测量更多关于帕金森氏症症状的信息，比如震颤。

“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。